Universidad de Guadalajara
Centro Universitario de Los Valles
“An
´
alisis geoestad
´
ıstico investigando concentraci
´
on
de contaminantes en el aire de la zona metropolitana
de Guadalajara, M
´
exico”
Tesis que para obtener el tıtulo de Doctorado en Ciencias Fısico Matematicas
con orientacion en Matematicas
Presenta:
Silvia Sanchez Dıaz
Director:
Dr. Ruben Sanchez Gomez
Co-director:
Dr. Jaime Alcala Gutierrez
Ameca, Jalisco, Junio de 2017
Agradecimientos
Mi mas profundo agradecimiento al Centro Universitario de los Valles por la
oportunidad recibida para culminar este logro tan importante en mi desarrollo
academico.
Al Dr. Ruben Sanchez Gomez, por su paciencia infinita y apoyo incondicional sin el
cual no hubiera sido posible la conclusion de este proyecto.
A los Investigadores que revisaron este trabajo por sus comentarios y sugerencias que
abonaron en la mejora de este trabajo.Ası como a la Mtra. Silvia Palomino Ramos por
el valioso tiempo que dedico en la revision de este trabajo.
A las Autoridades del Centro Universitario por su apoyo incondicional en todos los
tramites y requisitos necesarios para culminar este trabajo.
Al personal de la Secretarıa de Medio Ambiente y Desarrollo Territorial por facilitarnos
los datos que fueron la base de este trabajo.
A los companeros y amigos por el apoyo moral y las horas de debate compartidas.
Dedicatorias
Dedico este trabajo a la memoria de mis Padres: Josefina Dıaz Martınez y Lalo Sanchez
Galvez, ya que con su apoyo y ejemplo contribuyeron a forjar los principios y valores que
guıan mi vida. Estoy segura que el dıa de hoy, estan en el cielo organizando una fiesta
en mi honor acompanados de todos sus amigos. Orgullosos de la meta lograda. Cuanto
diera porque Dios los dejara escapar un momento, para poder recibir su abrazo. . .
A mi familia, especialmente a mis hermanos que me han acompanado de manera
incondicional en este largo proceso. Gracias por el apoyo que siempre me han brindado
sin importar la direccion del viento.
Indice general
Resumen 1
1. Introduccion 2
2. Algunos conceptos basicos 6
2.1. ��campos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2. Variable Aleatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3. Campos Aleatorios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3. El metodo Kriging 17
3.1. Buscando el MELI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2. Estructura del Variograma . . . . . . . . . . . . . . . . . . . . . . . . . 21
4. Un estudio de simulacion 24
4.1. Desempeno al usar parametros de localidad . . . . . . . . . . . . . . . . 26
4.2. Desempeno de modelos propuestos . . . . . . . . . . . . . . . . . . . . 31
5. Un caso de estudio 36
5.1. La Zona de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.2. Red Automatica de Monitoreo Atmosferico . . . . . . . . . . . . . . . . 38
5.3. Bases de datos utilizadas . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.4. Discusion de resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
vi
6. Conclusiones y recomendaciones 54
A. Programas utilizados 57
Referencias 72
1
Resumen
Silvia Sanchez Dıaz
Analisis geoestadıstico investigando concentracion de contaminantes en el aire de la
zona metropolitana de Guadalajara, Mexico
(Bajo la direccion de Ruben Sanchez Gomez)
El metodo de interpolacion espacial Kriging es una herramienta de la estadıstica
espacial, que se ha utilizado en una amplia gama de problemas de aplicacion. Sin
embargo, implementarlo sin tomar en cuenta las caracterısticas propias de las variables
de estudio, puede afectar el argumento de los resultados y las conclusiones en la
estructura espacial de interes.
Por esto, en este trabajo se establece un algoritmo que permita al usuario identificar
las condiciones adecuadas para investigar el comportamiento espacial de una variable
y se obtienen datos empıricos mediante un estudio de simulacion para detectar el
mejor modelo, en terminos de error en el ajuste de diferentes modelos en los datos del
semivariograma, estableciendo la efectividad del metodo de interpolacion Kriging.
Se aplican estos resultados en estudio de caso, detectando regiones de riesgo
ambiental por concentraciones altas de contaminantes en el aire, analizando el
comportamiento del ozono y las partıculas con diametro aerodinamico menor o igual a
10 µm en la Zona Metropolitana de Guadalajara.
Se utilizo una base de datos de registros horarios de 18 anos (1996-2013) de
informacion de estos dos contaminantes y con ellos se estimaron las concentraciones en
cada punto de una malla igualmente espaciada, buscando la probabilidad condicional
de exceder la norma, dado que se excede en una de las estaciones de monitoreo.
Los datos dan evidencia de regiones de riesgo ambiental bien definidas sobre la zona
de estudio, mostrando un comportamiento mensual distinto para ambos contaminantes.
Capıtulo 1
Introduccion
En terminos generales, en la estadıstica espacial se estudian magnitudes observadas en
distintos puntos de una superficie, perfectamente ubicados en una region de interes y en
los cuales, se tiene evidencia de variaciones impredecibles. Por el numero de aplicaciones
en distintos campos de la ciencia, esta herramienta ha destacado de forma importante
en las ultimas decadas, sobresaliendo trabajos en los que se busca caracterizar la
estructura espacial de registros georeferenciados en una zona, ya sea para describir
el comportamiento de una magnitud observada o bien, para reconocer patrones y
trayectorias de conjuntos de puntos distribuidos de forma impredecible en la superficie
con el fin de explicar el comportamiento del fenomeno sobre la region, sin menospreciar
desarrollos analıticos abstractos del tema, ası como estudios de simulacion.
En la literatura cientıfica se pueden encontrar trabajos como:
el analisis de concentracion de contaminantes en el aire (Carrol et al. 1997[1];
Sahu y Mardia, 2005[2]; Najera et al. 2005[3]; Ramırez et al. 2009[4]; Sanchez et
al. 2015[12]),
en estudios sobre ciencias forestales (Baskent y Jordan, 1991[6]; Wallerman et al.
2002[7]; Jost et al. 2005[8]),
en el analisis de magnitudes meteorologicas (Adebayo, 1987[9]; Sanso, 1999[10];
Garcıa et al. 2007[11]; Sanchez et al. 2010[12]),
en estudios en hidrologia (Neuman y Jacobson, 1984[13]),
2
CAPITULO 1. INTRODUCCION 3
en tratamiento de imagenes (Mardia, 1988[14]),
en trabajos sobre datos epidemiologicos (Carrat y Valleron, 1992[15]; Knorr-Held,
2000[16]; Brook et al. 2010[17]),
en agricultura (Lark, Sta↵ord y Bolam, 1997[18]; Wani et al. 2013[19]),
en economıa (Gamez, Montero y Garcıa, 2000[20]),
en astronomıa (Gentile, Courbin y Meylan, 2013[22]; Yu et al. 2015[21]) y
en registros geologicos (Krige, 1951[23]; Matheron, 1963[24], 1965[25], 1971[26]),
solo por mencionar algunos casos; resaltando que esta ultima area es en esencia el
objeto de estudio que detono en gran parte el desarrollo de la estadıstica espacial, con
los estudios de Krige y Matheron, quienes buscaron estimar la concentracion espacial
de minerales en algunas regiones para optimizar costos de trabajo y gastos de inversion.
De la lista anterior, en una gran parte de las aplicaciones se busca describir la
estructura espacial de la variable de estudio sobre puntos georeferenciados en una region
y de ellos, la gran mayorıa incorpora series temporales de registros observados en estos
puntos fijos, que pueden ser lecturas de magnitudes escalares, vectoriales, tensoriales o
simplemente imagenes multidimensionales.
Por ello, la estadıstica espacial se puede observar como una generalizacion natural
del procesamiento de senales en n dimensiones (para n � 2), en virtud de que se
investigan series de tiempo unidimensionales registradas en distintos puntos de una
region, incorporando ademas: la interaccion de componentes de tipo estacional que
obedecen ciclos; efectos de tendencia y parametros de asociacion como correlacion,
covarianza o dependencia en espacio y/o tiempo; ası como la presencia de componentes
impredecibles que sugieren una componente aleatoria bajo algun modelo probabilıstico
o bien, extenderse al caso mas general de procesos estocasticos.
Por lo anterior, si se pretende revisar, analizar o modelar conjuntos de datos de
estas magnitudes, el usuario debe conocer e interpretar cada uno de estos componentes
de forma consciente y aceptar que evadir alguno de ellos provoca resultados limitados
o justificaciones espurias.
CAPITULO 1. INTRODUCCION 4
Ademas, es muy importante considerar las caracterısticas particulares del fenomeno
de estudio, ya que si se investigan la concentraciones de un mineral en una zona
geologica, se pueden esperar condiciones estables en el tiempo, es decir, las variaciones
temporales a corto y mediano plazo pueden ser muy bajas; a menos que ocurra un
evento extraordinario como: un deslave, una explosion o un terremoto, modificando de
forma abrupta la concentracion del mineral en la zona de interes. Mientras que, si se
analizan concentraciones de cualquier magnitud en la atmosfera, la variacion a corto,
mediano y largo plazo juega un papel fundamental, ya que los cambios impredecibles
se presentan incluso en lapsos de segundos.
Si se investigan datos geologicos, se tendra evidencia de variaciones espaciales y
pequenos cambios en el eje temporal. Si se estudian datos en la atmosfera, se deben
esperar variaciones en espacio y tiempo; de modo que, si se pretende describir la
estructura espacial de una magnitud, se debe analizar un momento fijo en el tiempo.
Asimismo, no se debe perder de vista que un estudio espacial de magnitudes fısicas
implica la exploracion de variaciones a partir de un punto y en todas direcciones de la
superficie; mientras que en el eje temporal, solo tiene sentido reportar lecturas futuras
a partir de un momento arbitrario de tiempo.
Describir el comportamiento de una superficie con lecturas observadas en distintos
puntos en espacio – tiempo, posiblemente sugiere la evolucion temporal de la variable
en el espacio, pero no informa la estructura puramente espacial de la magnitud de
estudio. De este modo, si se busca caracterizar una magnitud mediante valores extremos
(maximos o mınimos), no se tendra certeza de que los extremos observados en los
puntos georeferenciados se presenten exactamente en el mismo momento del tiempo,
implicando conclusiones que se soportan en resultados que se propagan en espacio
– tiempo y el modelo no necesariamente representan las condiciones efectivas del
fenomeno de estudio.
Por otra parte, tratar de modelar la estructura espacial de una magnitud atmosferica
con base en el promedio de lecturas observadas en un periodo de tiempo, puede
llevar al calculo del valor medio entre lecturas negativas y positivas (e.g. temperatura
en zonas deserticas), llevando al usuario a creer que el comportamiento espacial de
su magnitud de estudio tiene pequenas oscilaciones alrededor del cero y esto puede
provocar conclusiones que se derivan de valores inexistentes en el fenomeno de estudio.
CAPITULO 1. INTRODUCCION 5
En el presente trabajo se muestra una alternativa para analizar estructuras
espaciales de una magnitud observada en una region, de modo que se evite caer
en afirmaciones de estructuras espaciales con resultados que no corresponden a las
variaciones en la zona y para ello, el objetivo general es presentar una estrategia que
permita reportar el comportamiento espacial de magnitudes que varıan en espacio –
tiempo, a partir de lecturas observadas en puntos georeferenciados en una region, cuyos
objetivos particulares son:
Determinar un algoritmo que permita implementar el modelo ideal para analizar
el comportamiento espacial de magnitudes observadas en puntos georeferenciados.
Medir, mediante un estudio de simulacion, el error que se comete al implementar
de forma arbitraria cualquier modelo en el ajuste de variacion espacial.
Presentar un estudio de simulacion para analizar el error en el que se incurre al
caracterizar un fenomeno espacial mediante parametros de localidad.
Estructurando este trabajo de tesis como sigue: en el capıtulo dos se exponen
los conceptos basicos que sustentan la teorıa del analisis de datos referenciados
espacialmente y se muestran las caracterısticas generales de los campos aleatorios; en
el capıtulo tres se presentan detalles del metodo de interpolacion espacial Kriging,
mientras que en el capıtulo cuatro se exhiben los resultados de un estudio de
simulacion, implementado para investigar el error que se comete al caracterizar un
fenomeno espacial mediante parametros de localidad (mınimos, promedios, maximos)
en conjuntos de datos con fuerte variacion temporal; en el capıtulo cinco se muestran
los resultados obtenidos con datos reales observados en la zona de estudio y finalmente
en el capıtulo seis se presentan y discuten conclusiones, agregando opciones de trabajos
futuros en esta lınea de investigacion.
Capıtulo 2
Algunos conceptos basicos
En estas secciones se presentan algunos conceptos elementales de la Teorıa de
Probabilidad que tienen influencia directa en las aplicaciones propuestas en este trabajo,
partiendo de la nocion de conjuntos, bajo el contexto de analisis real y tomando como
principales referencias [27, 28, 29, 30].
2.1. ��campos
Considerese ⌦ un conjunto no vacıo y sea A una coleccion de subconjuntos de ⌦, tal que
⌦ 2 A. A es un campo o un algebra si es cerrado bajo complementos y uniones finitas,
i.e., si 8A 2 A se tiene que Ac := (⌦ \ A) 2 A y para A1, . . . , An 2 A,
⇢nS
i=1
Ai
�2 A.
Ademas, A sera un ��campo1 si se satisface cerradura en complementos y uniones
contables, i.e., si 8<:[i2Z+
Ai
9=; 2 A,
en donde Z+ representa al conjunto de enteros positivos.
La clase de todos los subconjuntos de ⌦ se denota por 2⌦ (conjunto potencia de ⌦)
y es el ��campo mas grande de ⌦; en tanto que, el ��campo mas pequeno es la clase
formada por {;,⌦}, denotando con ; al conjunto vacıo.
1Cave senalar que el ��campo tambien se conoce como ��algebra; no obstante, por comodidad
lo llamaremos como ��campo.
6
2.1. ��CAMPOS 7
La pareja (⌦,A) se conoce como espacio, siempre que A sea un ��campo y sera
un espacio medible o espacio metrico si ⌦ es un campo.
El espacio metrico (⌦,A) usualmente se conoce como espacio de Borel o ��campo
de Borel, a sus elementos se les llama Borelianos, conjuntos de Borel o Borel medibles
y el ��campo A se representa mediante B(⌦), B⌦ o simplemente B.
Al mınimo ��campo generado por la coleccion de todos los intervalos abiertos
(a, b), para a y b elementos del conjunto de numero reales (a, b 2 IR) tales que a b,
se le llama ��campo de Borel y se representa con B(IR).
Medida
Una funcion µ que mapea los elementos de la coleccion A al conjunto IR+ (i.e. µ(A) � 0
para todo A 2 A) sera una medida si y solo si µ(;) = 0. Ademas, una medida µ definida
sobre el espacio metrico (⌦,A) sera aditiva contable si para A1, A2, . . . 2 A, disjuntos
dos a dos, se tiene que
µ
0@[i2Z+
Ai
1A =Xi2Z+
µ(Ai)
y sera finita aditiva si para A1, . . . , An 2 A,
µ
n[
i=1
Ai
!=
nXi=1
µ(Ai),
mas aun, sera sub-aditiva si para todo A,B 2 A se tiene que
µ(A+ B) µ(A) + µ(B),
se dice que es monotona, si para todo A ✓ B, se tiene que µ(A) µ(B) y es finita (o
acotada) siempre que µ(⌦) < 1. Ası, si µ es finita y monotona, se tiene que 8A 2 A,
µ(A) µ(⌦) y
µ : A �! [0, µ(⌦)].
Asimismo, µ sera completa si y solo si, para cualquier A,B medibles, tales que A ⇢ B,
con µ(B) = 0, entonces se tiene que µ(A) = 0. En tal caso se dice que A es un conjunto
de medida cero.
2.1. ��CAMPOS 8
La tripleta (⌦,A, µ) formada por el campo ⌦, un ��campo A definido sobre ⌦ y
una medida µ, se conoce como espacio metrico o espacio medible.
A manera de ejemplo, cualquier mapeo F : IR ! IR+ no decreciente y contınuo por
la derecha se conoce como funcion de distribucion y la medida definida a partir de este
mapeo, sobre el espacio metrico (IR, 2IR), se conoce como medida de Lebesgue-Stieltjes
y se puede definir mediante la integral
µ(a, b] =
bZa
dF (t) (2.1)
En forma equivalente, si f : IR ! IR+ es una funcion no negativa e integrable (al
menos Riemann integrable) sobre cada intervalo finito de IR, de modo que
F (x) =
xZ�1
f(t)dt (2.2)
entonces, la medida de Lebesgue-Stieltjes se obtiene mediante
µ(a, b] =
bZa
f(t)dt, (2.3)
en donde el sımbolo dF (t) en (2.1) y (dt) en 2.3 representan elementos de medida en
el conjunto de numeros reales.
Medida de Probabilidad
Partiendo de estos conceptos generales, para un espacio metrico (⌦,A) definido sobre
un campo ⌦; si la medida
P : A �! [0, 1] (2.4)
es acotada, aditiva, monotona y completa, entonces se dice que P es una medida de
probabilidad.
La terna (⌦,A, P ) se conoce como espacio probabilıstico o espacio de probabilidad,
los puntos individuales ! 2 ⌦ se conocen como respuestas elementales o eventos
elementales y los subconjuntos medibles A de la coleccion A se conocen como eventos ;
2.1. ��CAMPOS 9
mientras que la medida de A se conoce como probabilidad de A o medida de
probabilidad de A y se denota por P (A).
De (2.4) es inmediato afirmar que P (⌦) = 1 y que ademas, para todo A 2 A se tiene
que P (A) > 0. Mas aun, todos los axiomas de probabilidad senalados en la mayorıa
de libros de texto se hacen evidentes en consecuencia. Por ejemplo, Loeve [28] en la
pagina 8 redacta las propiedades de cerradura de un ��campo a manera de Axioma
I y utiliza la definicion de medida aditiva y acotada en su Axioma II de la siguiente
manera:
Axioma I. Complemento Ac, intersecciones finitasnT
k=1
Ak y uniones finitasnS
k=1
Ak de
elementos Ak de A, son elementos de A.
Axioma II. La funcion de probabilidad P esta normada, no negativa y finito aditiva:
P⌦ = 1, PA � 0, P
nXk=1
Ak =nX
k=1
PAk,
entre otros axiomas que incluye en el texto.
Asimismo, incorpora el concepto de funcion de distribucion de probabilidad a
manera de definicion, sin embargo es evidente que se trata de un caso particular del
concepto de funcion de distribucion descrito por 2.1, 2.3 y usualmente conocido como
medida de probabilidad.
Espacio n�dimensional
Para cualquier familia de espacios ⌦t, t 2 T , para un conjunto de ındices T ✓ Z+,
Kallenverg (1997[31]) define el producto cartesiano⇥t2T ⌦t como la clase de todas las
colecciones {!t, t 2 T}, en donde !t 2 ⌦t, 8t, t = 1, 2, . . . , n, de modo que el producto
se puede expresar como ⌦1 ⇥ · · ·⇥⌦n y en el caso en que ⌦i = ⌦, para i = 1, 2, . . . , n,
el producto se denota como ⌦n.
Suponiendo ahora que cada ⌦i viene equipado con su respectivo ��campo Ai,
Kallenverg introduce el ��campo productoOt2T
Ai = A1 ⌦ · · ·⌦An oOt2T
Ai = A1 ⌦A2 ⌦ · · ·
para T = {1, 2, . . . , n} o T = Z+, respectivamente.
2.1. ��CAMPOS 10
Lema 1.�producto y ��campo de Borel, Kallenverg, 1997, p. 3
�Sean ⌦1 ⇥⌦2 ⇥ · · ·
espacios metricos separable, entonces
B�⌦1 ⇥ ⌦2 ⇥ · · ·
�= B(⌦1)⌦ B(⌦2)⌦ · · · ,
de este modo, el ��campo de productos contables de espacios metricos separables
corresponde al producto de los ��campos individuales.
Ademas, cada mapeo f entre dos espacios A y C induce un conjunto f�1 de 2C en
2A dado por
f�1B = {a 2 A : f(a) 2 B} , con B ⇢ C,
en donde f�1 preserva las operaciones basicas de conjuntos
f�1Bc = (f�1B)c, f�1[k
Bc =[k
f�1Bc, f�1\k
Bc =\k
f�1Bc.
Lema 2.���campo inducido, Kallenverg, 1997, p. 3
�Sea f un mapeo entre
los espacios medibles (A,A) y (C, C). f�1C es un ��campo en A siempre que
{B ⇢ C : f�1B 2 A} sea un ��campo en C.
Espacio Euclideano
En el caso particular del campo de numeros reales, el espacio Euclideano de dimension
n (n 2 Z+) se simboliza con IRn, el producto escalar de dos elementos x, y de IRn (o
vectores de IRn) se representa con hx, yi y esta dado por
hx, yi = x1y1 + · · ·+ xnyn =nX
i=1
xiyi,
para x = (x1, . . . , xn), y = (y1, . . . , yn), con xi, yi 2 IR (tambien conocido como
producto canonico).
Bajo este contexto, la longitud de un vector x se puede expresar mediante
kxk = hx, xi1/2 ,
en tanto que, la distancia entre los vectores x, y se puede definir como d(x, y) = kx�yk.
2.2. VARIABLE ALEATORIA 11
La medida de Lebesgue en IRn se denota por dx = dx1 . . . dxn y con IRn+ se
representa al “octante” de entradas no negativas de IRn, dado por
IRn+ =
nx 2 IRn : xi � 0, i = 1, . . . , n
o,
y Zn sera la retıcula ordenada de valores enteros sobre IRn.
Ademas, un ortoedro abierto en IRn sera el conjunto de puntos que conforman la
region
⇥(a, b) =nx 2 IRn : ai < xi < bi, i = 1, . . . , n
o,
en donde se pueden definir de forma similar los ortoedros semi-abiertos ⇥[a, b), ⇥(a, b]
y el ortoedro cerrado ⇥[a, b].
De esta forma, denotando por Ii al intervalo (ai, bi) de ⇥(a, b), por el lema 1 se
tendrıa que el ortoedro abierto resulta del producto
⇥(a, b) = I1 ⇥ · · ·⇥ In
y por tanto, ⇥(a, b) es un elemento de un ��campo de Borel, que se puede representar
por B(IRn) =�B(IR)
�n= Bn o en otras palabras, Bn es el ��campo generado por los
ortoedros I1 ⇥ · · ·⇥ In, para I1, . . . , In intervalos reales arbitrarios.
2.2. Variable Aleatoria
Una variable aleatoria (v.a.) real sobre el espacio probabilıstico (IRn,B(IRn), P ) es
un mapeo X : IRn ) IR tal que, para cualquier Boreliano B ✓ IRn se satisface que
X�1B 2 B(IRn).
Mas aun, se sabe que P es una medida de probabilidad sobre B(IRn), inducida al
espacio medible�IRn,B(IRn)
�de modo que, si B es un Boreliano, entonces PX(B) =
P (X�1B) y en tal caso, la medida de probabilidad PX : B(IRn) ! [0, 1] se conoce como
medida de probabilidad inducida por la v.a. X (lema 2).
Mas aun, con base en la medida de Lebesgue-Stieltjes sobre el espacio metrico
(IRn, 2IRn), para una v.a. X, la funcion
FX(x) = FX(x1, . . . , xn) = P (X1 < x1, . . . , Xn < xn)
2.2. VARIABLE ALEATORIA 12
se conoce como funcion de distribucion de probabilidad, funcion de probabilidad
acumulada o funcion de acumulacion de probabilidad.
Partiendo de la expresion multivariada de (2.3) se puede ver que
1. lımx!+1
FX(x) = 1,
2. lımx!�1
FX(x) = 0,
3. FX(x+) = FX(x) y
4. FX(x1) FX(x2) para todo x1 x2.
Asimismo, una distribucion PX(x) es absolutamente continua si
PX(x) =
ZA
px(x)dx, A 2 Bn.
La funcion pX(x) = pX(x1, . . . , xn), x 2 IRn se llama funcion de densidad de la
distribucion de probabilidad de la v.a. X 2 IRn.
Evidentemente, para cualquier espacio metrico (⌦,A) se pueden definir dos v.a.’s
X, Y . Se dice que X = Y son iguales en distribucion si FX(x) = FY (x) para todo
x 2 IRn y se escribe Xd= Y , en tal caso se dice que X y Y estan identicamente
distribuidas (i.d.). Ademas, para una sucesion de v.a. Xn : n 2 IN, se dice que Xn
converge en distribucion si para todo x se tiene que lımn!1
FXn(x) = FX(x) y se escribe
Xnd! X, FXn
d! FX , o bien Xnd! FX . Asimismo, una secuencia de v.a. converge en
probabilidad si P (|Xn � X| > 0) = 0 cuando n ! 1 y converge casi seguramente si
P (Xn ! X) = 0 cuando n ! 1.
Esperanza Matematica
Sea X una v.a. con funcion de distribucion FX(x) y sea g(·) una funcion no negativa
definida sobre X. La esperanza matematica o simplemente la esperanza de g, se
representa mediante Eg(X) (o en forma alternativa: g(X), Eg(X) o solo E[g(X)])
y se define como
Eg(X) =
ZIRn
g(x)dFX(x),
2.2. VARIABLE ALEATORIA 13
cuando la integral sea absolutamente convergente, i.e., cuandoZIRn
|g(x)|dFX(x) < 1
y en tal caso, se dice que X es integrable o que tiene esperanza finita.
El caso particular en que g(X) = X, se conoce como valor esperado X, promedio o
simplemente esperanza de X. En tanto que, para g(X) = (X�EX)2, el valor esperado
de g se conoce como varianza de X, si existe, y se denota por Var(X) = E[(X�EX)2].
Ademas, ⌃ij = cov(Xi, Xj) = E[(Xi �EXi)(Xj �EXj)] se conoce como la covarianza
entre las v.a.’s Xi, Xj y bajo la notacion matricial,P
= E[(X � EX)(X � EX)t]
representa la matriz con todas las varianzas–covarianzas del vector aleatorio X, es
decir
X=
0BBBBB@E[(X1 � EX1)(X1 � EX1)] · · · E[(X1 � EX1)(Xn � EXn)]
E[(X2 � EX2)(X1 � EX1)] · · · E[(X2 � EX2)(Xn � EXn)]...
. . ....
E[(Xn � EXn)(X1 � EX1)] · · · E[(Xn � EXn)(Xn � EXn)]
1CCCCCA .
De forma analoga, para una sucesion de v.a.’s Xn : n 2 IN, se dice que Xn converge
en media a X si
lımn!1
E|Xn �X| = 0
y se escribe Xnm! X, tambien se llama convergencia en L1 por lo que suele denotarse
por XnL1
! X. Ademas Xn converge en media cuadratica a X si lımn!1
E|Xn �X|2 = 0
y se escribe como Xnm.s.! X, similarmente Xn
L2
! X.
Procesos Estocasticos
Para T ⇢ IR y el espacio de probabilidad (⌦,A, P ), la funcion X : T ⇥ ⌦ ! IR es un
proceso estocastico si:
Xt = X(t, ·) : ⌦ ! IR es una variable aleatoria para cada t 2 T .
X! = X(·,!) : T ! IR es una realizacion o ruta muestral para cada ! 2 ⌦,
2.2. VARIABLE ALEATORIA 14
definiendo un proceso estocastico (PE) como una coleccion de v.a. {Xt, t 2 T} sobre unespacio de probabilidad comun (⌦,A, P ), en donde t se interpreta como un parametro
o un indicador, cuyo espacio puede ser T ✓ Z+ = {0, 1, 2, . . .} o T ✓ IR+ = [0,1).
Usualmente el parametro t puede interpretarse como tiempo y entonces Xt = X(t,!)
representa la “posicion” o el “estado” del proceso en el tiempo t.
Algunas propiedades de los PE
La funcion FX(x, t) se conoce como distribucion de primer orden del PE Xt y la
densidad de probabilidad se obtiene mediante la derivada
f(x, t) =@FX(x, t)
@x
y se conoce como densidad de primer orden del PE Xt.
Como es de esperarse, si un experimento se lleva a cabo un numero n finito de veces
y de ellas se observan n funciones Xn(!), una en cada ensayo se denota con nt(x) al
numero de curvas en el tiempo t que no exceden el valor x, se concluye que
FX(x, t) 'nt(x)
n. (2.5)
Para dos realizaciones, la distribucion conjunta
FX(x1, x2; t1, t2) = P {Xt1 x1, Xt2 x2}
de las variables Xt1 y Xt2 se conoce como distribucion de segundo orden del PE Xt y
la densidad correspondiente es igual a
fX(x1, x2; t1, t2) =@ 2FX(x1, x2; t1, t2)
@x1@x2
Bajo el concepto de esperanza matematica, la media ⌘(t) de Xt es el valor esperado
⌘(t) = EXt(!) =
ZR
xf(x, t)dx,
la correlacion para dos realizaciones (o autocorrelacion) R(t1, t2) de Xt es el valor
esperado
R(t1, t2) = E {Xt1(!)Xt2(!)} =
ZR
ZR
x1x2f(x1, x2; t1, t2)dx1dx2
2.2. VARIABLE ALEATORIA 15
y el valor R(t1, t2) sobre la diagonal t1 = t2 = t se conoce como potencia promedio del
proceso
E�X2
t (!) = R(t, t).
La covarianza (autocovarianza) se representa mediante Cov(t1, t2) o C(t1, t2) y se
define como
C(t1, t2) = R(t1, t2)� ⌘(t1)⌘(t2)
y su valor C(t, t) sobre la diagonal t1 = t2 = t es igual a la varianza de Xt.
En el caso de dos procesos Xt(!x), Yt(!y), la funcion
RXY (t1, t2) = E[Xt1Yt2 ]
es la correlacion cruzada y la covarianza cruzada para estos procesos corresponde a la
funcion
CXY (t1, t2) = RXY (t1, t2)� ⌘X(t1)⌘Y (t2).
Por otro lado, se dice que los procesos Xt(!x), Yt(!y) son mutuamente ortogonales
si RXY (t1, t2) = 0 para todo t1, t2 y seran no correlacionados si CXY (t1, t2) = 0 para
todo t1, t2.
La integral
s(!) =
bZa
Xt(!)dt
del PE Xt es una v.a. y su valor s(!) para un ! especıfico corresponde al area bajo la
curva Xt en el intervalo (a, b) y por linealidad de la integral se puede ver que
⌘s = E {s} =
bZa
E {Xt(!)} dt =bZ
a
⌘(t)dt
PE estacionario
Un proceso estocastico es estacionario en sentido estricto si sus propiedades estadısticas
son invariantes ante desplazamientos temporales, es decir, si para h � 0 se tiene que
p(Xt1+h, . . . , Xtn+h) = p(Xt1 , . . . , Xtn)
2.3. CAMPOS ALEATORIOS 16
y sera estacionario en sentido amplio si
⌘t = EXt = m,
⌃t = E {(Xt � ⌘t)2} = C(0),
Vt,s = E {(Xt � ⌘t)(Xs � ⌘s)} = C(t� s).
(2.6)
para todo s, t 2 R.
Se dice que un PE es de incrementos estacionarios si Xt+s � Xt tiene la misma
distribucion que Xs, para todo s, t 2 R y sera de incrementos independientes si para
0 t1 < t2 < · · · < tn, las v.a.’s Xt1 , Xt2 �Xt1 , . . . , Xtn �Xtn�1 son independientes.
De forma analoga, dos procesos Xt y Yt son estacionarios en sentido estricto si la
densidad conjunta de Xt, Yt es la misma que la de Xt+h y Yt+h.
2.3. Campos Aleatorios
Para un conjunto T ✓ IRn, un campo aleatorio se define como el mapeo
X(!, t) : ⌦⇥ T ! IRm
tal que, X(!, t) es un vector aleatorio para cada t 2 T fijo; si n > 1, m = 1, X(!, t)
es un campo aleatorio escalar y si m > 1 se tiene que X(!, t) es un campo aleatorio
vectorial.
Evidentemente al ser una generalizacion del concepto de un PE para n > 1, el
concepto de valor esperado se extiende a vector esperado o vector promedio param > 1,
mientras que para las varianzas – covarianzas (auto-varianzas – auto-covarianzas para
un proceso con sı mismo en distintos valores de t o varianzas – covarianzas cruzadas
entre dos o mas procesos) seran hipermatrices, al igual que las correlaciones.
Capıtulo 3
El metodo Kriging
La base del metodo Kriging se sustenta en el supuesto de dependencia espacial de
los valores de una magnitud observable Z(x), sobre una region R; de modo que si se
tienen dos puntos de lectura x1, x2 2 R, (x1 6= x2) y en cada uno de ellos se generan
n observaciones de la magnitud de estudio, Z(x1)i y Z(x2)i, para i = 1, 2, . . . , n; bajo
el contexto de campos aleatorios, se tiene un muestreo conjunto de realizaciones del
campo Z(x), en donde las magnitudes observadas en x1, x2 estan correlacionadas entre
sı y con todos demas puntos de la region. De modo que, entre mayor sea la distancia
entre los puntos observados, se espera menor valor de correlacion entre los registros.
Retomando lo conceptos de campo aleatorio, el valor esperado de Z(x) se puede
escribir como
m(x) = EZ(x)
en donde m(x) y Z(x) existen para todos los puntos de la region R y ademas, la
varianza de Z(x) existe 8x 2 R. Ademas, la dependencia espacial del campo aleatorio
se puede modelar mediante la matriz de varianzas-covarianza
Cov(x1, x2) = E [(Z(x1)�m(x1))(Z(x2)�m(x2))] = E [Z(x1)Z(x2)]�m(x1)m(x2),
por el variograma propuesto por Matheron (1971, p. 11 [26]) que se representa mediante
V ar(Z(x1)� Z(x2)) = 2�(x1, x2),
o bien por el semivariograma
�(x1, x2) =1
2V ar
�Z(x1)� Z(x2)
�=
1
2E�Z(x1)� Z(x2)
�2 � 1
2
�m(x1)�m(x2)
�2,
17
3.1. BUSCANDO EL MELI 18
en donde, para simplificar la notacion se puede definir la distancia h = x2 � x1 y ası
en forma equivalente
�(h) = �(x1, x1 + h) =1
2V ar(Z(x1)� Z(x1 + h))
y de este modo, para estimar cualquier punto arbitrario de la region R, digamos x0; se
parte del hecho de que el Mejor Estimador Lineal Insesgado (MELI) de una funcion
lineal, sobre el campo aleatorio Z(x), se reduce a obtener el predictor Z(x0) para un
valor Z(x0), en donde x0 es una localidad no observada del campo sobre la region R,
para
Z(x0) = �1Z(x1) + · · ·+ �nZ(xn),
a partir de los n registros observados en las localidades disponibles, tal que
mın�2IRn
E(Z(x0)� Z(x0))2.
En otras palabras, se deben obtener los �i, i = 1, 2, . . . , n que minimicen el valor
esperado E(Z(x0)� Z(x0))2 bajo el supuesto de estacionariedad en sentido amplio.
3.1. Buscando el MELI
Partiendo de la relacion
V ar [Z(x1)� Z(x2)] = V ar [Z(x1)] + V ar [Z(x2)]� 2C(x1 � x2)
y si Z es estacionario en sentido amplio, entonces satisfacen las relaciones 2.6 (pagina
16) y luego,
�(x1 � x2) =1
2V ar [Z(x1)� Z(x2)] = C(0)� C(x1 � x2).
De esta forma, si se conoce la media m del campo aleatorio, el estimador se conoce
usualmente como Kriging simple o Kriging con media conocida, en donde
Z(x0) = m+nX
i=1
�i(Z(xi)�m),
3.1. BUSCANDO EL MELI 19
en donde �i son los pesos de los residuos Z(xi) � m, por lo que el estimador sera
insesgado, ya que
EhZ(x0)� Z(x0)
i=
⇢m+
nPi=1
�iE(Z(xi)�m)
�� EZ(x0)
= m+nP
i=1
�i(m�m)�m
= 0
y la varianza del estimador de los errores esta dado por
�2E = V ar(Z(x0)� Z(x0))
= Eh(Z(x0)� Z(x0))2
i= E
hZ(x0)2 + Z(x0)2 � 2Z(x0)Z(x0)
i
=nP
i=1
nPj=1
�i�jC(xi � xj) + C(0)� 2nP
i=1
�iC(xi � x0),
que alcanza el mınimo en
@�2E
@�i
= 0, para i = 1, 2, . . . , n
y la varianza del Kriging simple esta dada por
�2SK = C(0)�
nXi=1
�iC(xi � x0),
los detalles se pueden ver en Wakernagel (1995, [63]).
Kriging ordinario
El metodo Kriging ordinario es una extension del Kriging simple, en donde se desconoce
la media m sobre el campo aleatorio y en su lugar se utiliza el estimador del promedio
cotidiano dado por
m =1
m
nXi=1
Z(xi),
3.1. BUSCANDO EL MELI 20
y bajo el supuesto de procesos estacionarios en sentido amplio, se espera que m sea
constante sobre la region de estudio. En tal caso el MELI se obtiene resolviendo el
sistema
Z(x0) =nX
i=1
�iZ(xi), paranX
i=1
�i = 1.
En este caso, el estimador de la varianza del error esta dada por
�2E = V ar
hZ(x0)� Z(x0)
i
= Cov(x0 � x0) +nP
i=1
nPj=1
�i�jCov(xi � xj)� 2nP
i=1
�iCov(x0 � xi)
= C(0) + �tK�� 2ct0�
en donde C ⌘ Cov, K es una matriz n⇥ n dada por
K = [C(xi � xj)] , i, j = 1, 2, . . . , n
y
c0 = [C(x0 � x1), C(x0 � x2), . . . , C(x0 � xn)]t ,
� = [�1, . . . ,�n] .
La solucion se reduce a obtener los �i que minimizan �2E, generando ası los pesos que
proporcionan el MELI del Kriging ordinario para Z(x0) con
mın�C(0) + �tK�� 2ct0�
, sujeto a
nXi=1
�i = 1.
Ası, por multiplicadores de Lagrange se tiene que
H(�, ⌫) =�C(0) + �tK�� 2ct0�
� ⌫
⇥[1]t �� 1
⇤,
en donde [1] es el vector (1, . . . , 1)t de longitud n y ⌫ es el multiplicador de Lagrange;
por lo que, derivando parcialmente se tiene que,
@H(�,⌫)@�
= 2K�� 2ct0 � [1]t ⌫
@H(�,⌫)@⌫
= � [[1]�� 1]
e igualando a cero, el problema se reduce a resolver el sistema lineal K [1]t
[1] 0
! �
�⌫2
!=
ct0
1
!.
3.2. ESTRUCTURA DEL VARIOGRAMA 21
3.2. Estructura del Variograma
El concepto clave del metodo Kriging es el variograma, por lo que su estimacion
es fundamental en esta tecnica, para esto; supongase que {Z(x), x 2 R} son valores
observados sobre el campo aleatorio de la magnitud de interes, en los puntos x1, . . . , xn,
el estimador mas simple es el metodo de momentos, para el cual
2�(h) =1
|n(h)|X
(xi,xj)2n(h)
{Z(xi)� Z(xj)}2
en donde |n(h)| es la cardinalidad de n(h) y n(h) = {(xi, xj) tal que h = kxi � xjk} .Cressie y Hawkins (1980, [59]) dan una version de un estimador robusto de la forma
2�(h) =1
0.457 + 0.494/|n(h)|
0@ 1
|n(h)|X
(xi,xj)2n(h)
|Z(xi)� Z(xj)|1/21A4
, (3.1)
basando su propuesta en el supuesto de un campo aleatorio Gaussiano, para el cual la
distribucion de [Z(x+ h)� Z(x)]2 es de la forma 2��21.
De este modo, se dispone de una nube de puntos formada por las parejas del
semivariograma estimado para las diferentes distancias entre las puntos disponibles
en la region de estudio R, con la posibilidad de obtener el modelo (figura 3.1) que
muestre el mejor ajuste.
Figura 3.1: Forma tıpica de un semivariograma.
3.2. ESTRUCTURA DEL VARIOGRAMA 22
En teorıa, se espera que el semivariograma sea cero alrededor del origen, sin embargo
no siempre ocurre esto y cualquier magnitud no cero alrededor de h = 0 se conoce como
efecto nugget, mientras que el valor lımite que no excede la curva se conoce como umbral,
que se alcanza para un valor t = r conocido como rango del semivariograma (figura
3.1).
El caso en que el modelo presente valores negativos se debe desechar e implementar
un modelo diferente, ya que estas magnitudes negativas implican varianzas estimadas
no positivas, lo que carece de sentido en el campo real.
Ası, la tarea principal con la nube del variograma o semivariograma estimado, es
generar un ajuste adecuado para la nube de puntos cuidando que no se presente efecto
nugget negativo para diferentes valores de umbral y rango.
Un campo aleatorio es isotropico si su semivariograma �(h), h 2 IRd depende
solamente de la longitud khk, es decir, si �(h) = �0(khk) y un campo aleatorio que es
intrınsecamente estacionario e isotropico, se dice que es homogeneo. Bajo este supuesto,
en la literatura se han propuesto los modelos (e.g. Sanchez, et al., 2010, [12]):
Modelo Lineal: definido por
�0(t) =
(0 si t = 0
c0 + c1t si t > 0.
Modelo Esferico: dado por
�0(t) =
8>><>>:0 si t = 0
c0 + c1
h32tr� 1
2
�tr
�3isi 0 < t r
c0 + c1 si t � r
.
Modelo Exponencial: definido por
�0(t) =
(0 si t = 0
c0 + c1⇥1� e�t/r
⇤si t > 0
.
Modelo Gaussiano: se define por
�0(t) =
8<: 0 si t = 0
c0 + c1
h1� e�t2/r2
isi t > 0
.
3.2. ESTRUCTURA DEL VARIOGRAMA 23
Modelo de forma Potencia-exponencial: definido por
�0(t) =
(0 si t = 0
c0 + c1⇥1� e�|t/r|p⇤ si t > 0
,
en donde 0 < p 2. Generalizando los modelo exponencial (p = 1) y Gaussiano
(p = 2).
Modelo Racional cuadratico: definido por
�0(t) =
(0 si t = 0
c0 + c1t2/(1 + t2/r) si t > 0
.
Modelo de Onda: dado por
�0(t) =
(0 si t = 0
c0 + c1⇥1� r
tsen r
t
⇤si t > 0
.
Modelo potencia: definido por
�0(t) =
(0 si t = 0
c0 + c1t↵ si t > 0
,
en donde 0 ↵ < 2, lo convierte en una generalizacion del modelo lineal.
En todos los casos c0 y c1 son parametros que se determinan a partir del ajuste del
modelo a la nube de datos y vale la pena resaltar que el ajuste del semivariograma es
un paso medular para garantizar una buena estimacion de los valores interpolados con
el metodo Kriging.
Se debe tener cuidado al utilizar un software que arroje resultados arbitrarios y de
forma oculta al usuario, ya que se tiene la posibilidad de que los resultados provengan
de una estimacion con efecto nugget negativo, lo que genera estimaciones erroneas en
cualquier trabajo de investigacion.
En el caso particular de este trabajo, se implementan rutinas en Matlab para
seleccionar el modelo con el menor error de ajuste en el semivariograma en terminos
de menor error cuadrado medio y efecto nugget no negativo entre los modelos mas
comunes para el ajuste del variograma (Sanchez, et al., 2010, [12]). Cabe senalar que
los programas utilizados se exhiben en el apendice A de este trabajo.
Capıtulo 4
Un estudio de simulacion
Un paso importante en cualquier trabajo de investigacion es el analisis de la validez
del modelo que se implementa y en particular, en el caso del metodo de interpolacion
espacial Kriging se debe comprobar si existe evidencia para garantizar que el modelo
realmente logra estimar lo que se pretende, ası como presentar un analisis comparativo
entre las opciones disponibles para determinar de forma argumentada la eficiencia y
efectividad de la herramienta.
Evidentemente los datos reales no se conocen de antemano y en tal caso no
tendrıa sentido argumentar la efectividad del metodo. Sin embargo, bajo un estudio de
simulacion se puede generar una estructura espacial y a partir de ella, suponiendo que
no se conoce la superficie verdadera, se puede implementar el metodo para distintos
puntos de muestreo, de modo que se tiene la posibilidad de analizar el desempeno tanto
de los modelos propuestos para el semivariograma, como de los resultados del metodo
Kriging para estimar la estructura espacial en una region.
Para tal efecto, en este apartado se genera un estudio de simulacion creando
funciones de densidad gaussiana bivariada mediante la expresion
fX(x) =1
(2⇡|⌃X |)exp
✓�1
2(x� µ)t⌃�1
X (x� µ)
◆en donde x, µ 2 IR2 y ⌃X es una matriz 2 ⇥ 2 de varianzas-covarianzas y |⌃X | es el
determinante de ⌃X ; de modo que, la estructura espacial se modifica con base en las
caracterısticas del vector µ y matriz ⌃X .
24
CAPITULO 4. UN ESTUDIO DE SIMULACION 25
Con el fin de orientar los resultados de este estudio de simulacion a la region
de estudio del caso real (apartado 5.1), se generan las condiciones disponibles en
la zona de interes, es decir, se modela la funcion de densidad gaussiana sobre una
region georeferenciada entre las latitudes (20.425�, 20.825�) norte y longitudes (103.15�,
103.55�) oeste y se fijan diez puntos que corresponden con la ubicacion de las estaciones
automaticas instaladas en la zona de estudio (apartado 5.1). Se construye ademas
sobre la region una malla equiespaciada de 150 puntos latitud – longitud y con ellos se
compara el desempeno del metodo de interpolacion Kriging.
Ası, a manera de ejemplo, en la figura (4.1) se muestran seis representaciones
graficas de estructuras espaciales simuladas sobre la region de interes.
Figura 4.1: Estructura espacial simulada de seis distribuciones gaussianas bivariadas y
marcas de muestreo para implementar el metodo de interpolacion espacial.
En la grafica se agregan las diez marcas, que se pueden observar con asteriscos
en color verde, para representar los puntos de muestreo utilizado, es decir, son las
localidades en las que se levantan muestreos y por tanto, son las marcas utilizadas
para implementar el metodo de interpolacion espacial.
Cada caso se simula 10,000 veces y se comparan los desempenos de los valores
4.1. DESEMPENO AL USAR PARAMETROS DE LOCALIDAD 26
estimados contra los valores exactos, reportando los resultados del error observado y
algunas representaciones graficas con el fin de mostrar su eficacia.
4.1. Desempeno al usar parametros de localidad
En la figura (4.2) se puede observar la estructura promedio de las superficies de
simulacion de la figura (4.1), es decir, se calcula el promedio de las seis distribuciones
espaciales y se genera su representacion grafica, resaltando de forma analoga los diez
puntos de muestreo.
Figura 4.2: Estructura espacial promedio de las distribuciones gaussianas bivariadas de la
figura 4.1.
Comparando las representaciones graficas de la figura (4.1) con lo que se observa
en la figura (4.2), destaca que desaparece el efecto observado en todos los puntos de
muestreo (asteriscos en color verde), ya que las lecturas verdaderas oscilan entre 0 y
140 (barra de color global de la figura 4.1), mientras que la graficas de promedios no
sobrepasa 70 unidades en la lectura espacial.
4.1. DESEMPENO AL USAR PARAMETROS DE LOCALIDAD 27
Sobresale ademas en la figura 4.2 el predominio de las zonas con valores altos
observados en las graficas 4.1 d, e y f ; de modo que, si se acepta el desempeno
promedio como una herramienta para alertar a la poblacion en caso de niveles de
contaminacion alarmantes, una parte de la comunidad estarıa desprotegida al creer
que la zona observada en la region que corresponde a la grafica 4.1 a y b no tiene
valores altos que pudieran afectar a las personas, cuando realmente sı se presentan
niveles alarmantes.
De forma similar al caso anterior, en la grafica de la figura (4.3) se puede ver una
estimacion espacial de las medianas observadas en las seis estructuras simuladas, en
donde destaca nuevamente el desempeno irregular con una meseta color naranja en una
zona que no corresponde a ninguna de las estructuras espaciales de la figura 4.1 sigue
tal comportamiento.
Figura 4.3: Estructura espacial de las medianas observadas en las distribuciones
gaussianas de la figura 4.1.
Ademas, en la representacion grafica de medianas (figura 4.3) se puede ver
nuevamente que los valores estan por abajo de las lecturas maximas observadas en
4.1. DESEMPENO AL USAR PARAMETROS DE LOCALIDAD 28
las seis estructuras espaciales de la figura (4.1), es decir, mientras que las graficas
muestra valores maximos de 140 unidades, los valores mas grandes en la representacion
grafica de las medianas no supera las 100 unidades.
Por otro lado, en la grafica que se muestra en la figura (4.4) se puede observar la
estructura de los maximos registrados en las seis distribuciones espaciales gaussianas
simuladas (figura 4.1), en donde se puede ver nuevamente la diferencia existente entre
las superficies simuladas y lo que se observa en la estimacion espacial de los maximos.
Figura 4.4: Estructura espacial de los maximos observados en la malla de las
distribuciones gaussianas (figura 4.1).
En este caso se tienen valores extremos similares (ambos maximos llegan a 140
unidades), en donde sobresalen claramente los maximos observados en cada una de las
graficas de la figura (4.1). Sin embargo, cabe senalar que si las estructuras espaciales
corresponden a momentos diferentes de tiempo, la grafica de los valores maximos
corresponde a la interpolacion de una superficie que trasciende espacio–tiempo, es decir,
dado que cada valor extremo pertenece a un momento diferente de tiempo, la estructura
muestra variaciones en espacio y tiempo, por lo que no corresponde estrictamente a un
4.1. DESEMPENO AL USAR PARAMETROS DE LOCALIDAD 29
desempeno puramente espacial; mas aun, no permite reportar la evolucion temporal de
los maximos puntuales por superficie simulada, dado que no se identifica claramente el
momento temporal correspondiente para cada maximo.
En otras palabras, tanto la grafica de promedios como la de medianas subestiman el
comportamiento de la estructura espacial y no representan una estimacion de los datos
simulados. Ademas, estimar el comportamiento de la magnitud de estudio mediante
valores extremos, ya sea maximos o mınimos, generara una interpolacion que varıa en
tiempo y espacio, lo que no permite mostrar resultados coherentes en cualquier trabajo
de investigacion.
Analisis de error
Generando las n = 10, 000 simulaciones, se mide la distancia entre las estructuras
estimada y simulada mediante la Raıces de los Errores Cuadrado Medio
RECM =
vuut 1
n
nXi=1
✓Z(xi)�\Z(xi)
◆2
,
para cada nodo de interpolacion y de aquı, el comportamiento de los errores para la
estructura estimada con promedios se puede ver en el histograma que se muestra en la
figura (4.5).
Figura 4.5: RECM entre la estructura promedio estimada y las superficies simuladas.
4.1. DESEMPENO AL USAR PARAMETROS DE LOCALIDAD 30
Como era de esperar, los errores entre las estructuras espaciales estimadas y su
promedio muestran diferencias muy grandes, del orden de 103, en donde las distancias
mas frecuentes superan las 4000 unidades y se observan diferencias mayores a 12000
unidades.
Por otro lado, revisando los errores que se obtienen al suponer que una interpolacion
con valores maximos pueda arrojar alguna similitud con las estructuras simuladas,
en la figura 4.6 se observa el histograma de estas diferencias; destacando que los
errores superan las RECM de la representacion grafica 4.5. Ademas, las diferencias
mas frecuentes exceden las 18000 unidades.
Figura 4.6: RECM que se comete al suponer que la estructura estimada con los maximos
de los datos observados pueda representar las superficies simuladas.
Por tanto, se tiene evidencia suficiente para afirmar que el uso de parametros de
localidad para investigar el comportamiento espacial de cualquier magnitud atmosferica
presenta errores muy grandes y carece de sentido afirmar que la estructura estimada
pueda orientar al investigador en el comportamiento espacial puntual de la magnitud
de estudio.
4.2. DESEMPENO DE MODELOS PROPUESTOS 31
4.2. Investigando el desempeno de los modelos
propuestos
Analizando el desempeno de los errores para los modelos descritos en la seccion 3.2,
de forma analoga al caso anterior se implementan superficies simuladas mediante una
funcion de densidad gaussiana y a manera de ejemplo, en las figuras 4.7, 4.8 y 4.9, se
muestran tres casos del desempeno observado en la estimacion con el metodo Kriging
para los modelos propuestos, incluyendo la representacion grafica de la estructura
simulada para tener un punto de contraste.
El primer caso corresponde a una estructura simulada en la cual al menos tres
puntos fijos muestran valores estimados bajos y el maximo se localiza en uno de los
puntos, a un extremo del polıgono de interpolacion.
Figura 4.7: Estructura estimada con los modelos propuestos para el semivariograma,
primer caso.
En la figura 4.7 sobresale el modelo esferico por presentar el peor ajuste ya que
su estimacion es constante en el polıgono de interpolacion (marcas identificadas con
4.2. DESEMPENO DE MODELOS PROPUESTOS 32
asteriscos en la figura), mientras que los modelos exponencial, potencia exponencial
y el de potencia, muestran un desempeno similar en el polıgono. Sobresale ademas el
modelo de onda por presentar un ajuste irregular en comparacion con los siete modelos
restantes, es decir, el modelo de onda genera algunas variaciones en un entorno proximo
a las marcas de interpolacion y es constante fuera de ellas.
Vale la pena resaltar que en la parte exterior del polıgono de interpolacion,
se observa nuevamente un buen desempeno en los modelos exponencial, potencia
exponencial y de potencia, en contraste con los modelos restantes.
Por otro lado, en las graficas que se presentan en la figura 4.8 se muestra una
estructura simulada en la que todos los puntos fijos tienen lecturas mayores a cero y el
maximo se concentra en uno de los puntos interiores del polıgono de interpolacion.
Figura 4.8: Estructura estimada con los modelos propuestos para el semivariograma,
segundo caso.
Bajo una simple inspeccion, nuevamente sobresale el modelo de onda que presenta
el peor ajuste; los modelos lineal, esferico, exponencial y racional cuadratico, muestran
un buen desempeno; en tanto que, los modelos potencia y potencia exponencial tienen
4.2. DESEMPENO DE MODELOS PROPUESTOS 33
desempeno bajo.
Analizando la estimacion externa al polıgono de interpolacion, el modelo racional
cuadratico presenta el mejor desempeno en comparacion con los siete modelos restantes,
en tanto que los modelos lineal y esferico parecen tener un desempeno similar.
Finalmente, en la figura 4.9 se puede observar el desempeno de los ocho modelos
en una estructura para la cual mas de dos puntos fijos tienen magnitudes elevadas y
los puntos fijo restantes tienen magnitudes simuladas elevados.
Figura 4.9: Estructura estimada con los modelos propuestos para el semivariograma,
tercer caso.
Observando las representaciones graficas de la figura 4.9 el modelo que muestra el
mejor desempeno es el racional cuadratico presentando el mejor ajuste tanto dentro
como fuera del polıgono de interpolacion, en tanto que los modelos gaussiano y potencia
- exponencial muestran un buen desempeno en el polıgono de interpolacion pero su
desempeno es bajo fuera del polıgono y el modelo de onda nuevamente tiene el peor
desempeno, en tanto que los modelos esferico y de potencia tiene un bajo desempeno.
4.2. DESEMPENO DE MODELOS PROPUESTOS 34
Analisis de error para los distintos modelos
Reportando ahora los resultados del estudio de simulacion, en la tabla 4.1 se exhibe el
error promedio para los modelos propuestos, agrupando los resultados por la cobertura
en los puntos de muestreo (tomando al azar 6, 7, 8 o 9 puntos) y en la tabla 4.2 se
muestran los promedios de las RECM que se obtiene entre la estructura simulada y
la interpolacion Kriging.
Tabla 4.1: RECM promedio por modelo para el semivariograma estimado.
Puntos fijos con valores simulados grandes
Modelo Nugget 6 7 8 9 10
Lineal 18.83 366056.32 3668318.72 4585106.08 8732112.36 4801642.21
Esferico 90.89 325781.62 3332445.10 4191583.56 7838770.07 4075722.36
Exponencial 62.95 345780.07 3503511.11 4389594.43 8283386.60 4441016.83
Gussiano 72.74 370570.05 3711032.46 4638635.35 8835318.89 4814548.69
Potencia-Exponencial 3.82 288308.95 2979240.64 3712729.20 6829759.16 3662985.88
Racional cuadratico 73.60 374404.90 3737687.89 4668882.67 8915992.15 4912575.82
de Onda -936433.01 205183.77 2098246.34 2507647.04 5005358.60 3221351.37
de Potencia 27.76 288313.78 2979286.79 3712791.08 6829890.66 3663144.79
En la tabla 4.1 se puede observar que el modelo potencia exponencial presenta las
menores RECM , ademas de tener el menor efecto nugget y el modelo de potencia es
la segunda mejor opcion en terminos de las RECM .
Tabla 4.2: RECM promedio por modelo y estructura espacial estimada.
Puntos fijos con valores simulados grandes
Modelo 6 7 8 9 10
Lineal 83250.37 443716.45 323335.97 282217.81 174934.16
Esferico 86480.98 481369.38 349746.70 301557.55 181781.35
Exponencial 82536.96 436141.24 318002.27 278394.31 173158.69
Gussiano 202504.22 917901.63 781915.01 757746.07 342515.27
Potencia-Exponencial 62911.76 170680.19 148900.34 202772.36 161687.20
Racional cuadratico 149855.04 822883.05 633262.68 535427.26 240506.91
de Onda nugget< 0 nugget< 0 nugget< 0 nugget< 0 nugget< 0
de Potencia 62909.27 170685.53 148900.85 202760.98 161821.57
En tanto que, en la tabla 4.2 se puede observar que nuevamente el modelo potencia
exponencial tiene un buen desempeno, seguido del modelo de potencia.
4.2. DESEMPENO DE MODELOS PROPUESTOS 35
Tambien sobresale en la tabla 4.1 que el modelo de onda expone valores pequenos de
la RECM , sin embargo tienen un efecto nugget negativo, por lo que debe ser descartado
del analisis por generar estimaciones negativas de varianzas.
De esta forma, tanto en las representaciones graficas mostradas en las figuras 4.7, 4.8
y 4.9, como en las tablas 4.1 y 4.2, se puede ver que el modelo de onda no es una buena
alternativa, ademas de que el modelo lineal tampoco muestra el mejor desempeno.
Por otro lado, contabilizando el numero de ocasiones en las que cada uno de los
modelos genera la menor RECM , tanto para el semivariograma como para la estructura
espacial estimada, en la siguiente tabla 4.3 se puede ver que el modelo que muestra
el mejor desempeno es el Potencia-Exponencial con la menor RECM el 39.8% de
las estructuras espaciales simuladas, seguido por el modelo de Potencia para el ajuste
espacial y por el esferico en el ajuste del semivariograma.
Tabla 4.3: Porcentaje de eficiencia en terminos de la menor RECM en el ajuste espacial
Kriging y en el semivariograma.
RECM
Kriging Semivariograma
% %
Lineal 10.7 0
Esferico 0.1 33
Exponencial 6.8 0
Gussiano 5.3 0
Potencia-Exponencial 39.8 67
Racional cuadratico 10.9 0
de Onda 1.5 0
de Potencia 24.9 0
Por tanto, se pueden deducir dos puntos: primero, que un modelo particular para el
semivariograma puede mostrar el menor error en la interpolacion del metodo Kriging sin
tener el mejor ajuste en el semivariograma, es decir, encontrar el modelo que presenta
el mejor ajuste en la nube de datos del semivariograma no garantiza el mejor ajuste
en la interpolacion espacial y, segundo, que el modelo Potencia–Exponencial muestra
un buen desempeno para los datos simulados con una estructura espacial gaussiana
bivariada.
Capıtulo 5
Un caso de estudio
En este caso se analizan los datos registrados en la Zona Metropolitana de Guadalajara
(ZMG) por dos razones: las concentraciones de contaminantes en la zona han mostrado
niveles alarmantes en las ultimas decadas, al grado de llamar la atencion del gobierno,
sociedad y comunidad academica; ademas de que, en la literatura revisada solo se
encontraron dos trabajos en los que se presenta un analisis espacial, el primero de
Najera et al., 2005, [3] en donde se presenta el uso de sistemas de informacion geografico
para modelar concentraciones de ozono y el segundo de Ramırez et al., 2009, [4] quien
muestra un analisis espacial de los contaminantes disponibles en la Red Automatica
de Monitoreo Atmosferico (RAMA) utilizando parametros de localidad mensuales
(promedio, moda y maximos) para generar sus conclusiones.
Ambos trabajos se generan con los datos que registra la RAMA y sus resultados
parecen ser debiles en virtud de que Najera no presenta en su analisis un criterio que
permita determinar si se utiliza un modelo adecuado para el semivariograma, en tanto
que el trabajo de Ramırez se obtiene a partir de parametros de localidad.
5.1. La Zona de estudio
Guadalajara es la capital del estado de Jalisco, es rica en arquitectura colonial con
una extension territorial de aproximadamente 562km2, tiene un area metropolitana
conocida como Zona Metropolitana de Guadalajara y es actualmente la segunda mas
36
5.1. LA ZONA DE ESTUDIO 37
poblada del paıs y tercera en expansion territorial detras de la Ciudad de Mexico y
Monterrey. Esta integrada por los municipios de Guadalajara, Tlaquepaque, Tonala y
Zapopan a partir de 2004 se integraron Tlajomulco de Zuniga, El Salto y posteriormente
se adicionaron Juanacatlan e Ixtrahuacan de los Membrillos como municipios exteriores
(Delimitaciones de las zonas metropolitanas de Mexico, 2005, [50]).
Se localiza justo en el centro del estado de Jalisco, elevandose en promedio a 1540
metros sobre el nivel medio del mar y se localiza alrededor de las coordenadas de 20� 390
5800 latitud norte, 103� 210 700 longitud oeste y al igual que en otras metropolis de nuestro
paıs, la ZMG ha experimentado un acelerado crecimiento poblacional, requiriendo para
su funcionamiento el suministro de grandes cantidades de insumos y energeticos y, a la
vez, constituyendose en un polo de intensa actividad industrial, comercial y cultural.
Sin embargo, este crecimiento poblacional y economico ha traıdo consigo tambien
mayor impacto al medio ambiente y, en particular, un aumento en la generacion de
contaminantes atmosfericos.
La severidad del problema de contaminacion en el aire del Valle de Atemajac, puede
ilustrarse con el hecho de que en 1996 se rebaso la norma de ozono (NOM-020-SSA1-
1993) en el 60% de los dıas del ano, ası como la norma correspondiente a partıculas
de nivel respirable que se excedio en mas del 30% (Programa para el Mejoramiento
de la Calidad del Aire en la Zona Metropolitana de Guadalajara, Secretarıa del Medio
Ambiente, Recursos Naturales y Pesca 1997-2001, [38]).
En las ultimas decadas, esta Metropoli ha presentado condiciones de contaminacion
atmosferica alarmantes por sobrepasar excesivamente la norma oficial de calidad del
aire y exponiendo a la poblacion a situaciones de contingencia ambiental. Mas aun,
esta situacion ha llamado fuertemente la atencion de gobierno, sociedad y comunidad
academica, reflejandose en estudios dedicados al analisis de contaminantes atmosfericos
en la zona.
Las montanas que circundan la zona son: al noroeste la Sierra de San Esteban, al
sureste la Serranıa de san Nicolas y los conjuntos montanosos de Cerro escondido-San
Martın y El Tapatıo - La Reyna, al sur el Cerro del Cuatro-Gachupın-Santa Marıa y
al oeste la Sierra de la Primavera y como se ha mencionado, estas sierras constituyen
parcialmente una barrera fısica natural para la circulacion del viento, impidiendo el
desalojo del aire contaminado fuera de la ZMG. De hecho, el terreno donde se ubica la
5.2. RED AUTOMATICA DE MONITOREO ATMOSFERICO 38
ZMG tiene pendientes muy variables (Programa para mejoramiento la calidad del aire
en la ZMG, 1997-2001) y al noreste de la ciudad se tienen alturas bajas (barrancas) de
100 a 200m sobre el nivel de la metropoli.
Por ello, lograr muestreos tanto de la calidad del aire como de variables atmosfericas
en estas ciudades, fue uno de los objetivos que motivaron la instalacion de sistemas
de monitoreo, para lograr inventarios de emisiones y magnitudes atmosfericas que
proporcionaran informacion sobre la distribucion espacial – temporal y a partir de
estos datos, sea posible identificar las areas de la ciudad y horas del dıa en que las
emisiones son mayores a la norma, ası como utilizarlas para alimentar modelos de
calidad del aire con los registros de concentracion de los diferentes contaminantes.
5.2. Red Automatica de Monitoreo Atmosferico
Dado que la ZMG reune las caracterısticas necesarias en terminos de factores
antropogenicos y naturales para alcanzar niveles alarmantes de contaminacion
atmosferica y en consecuencia, se han presentado excedencias a las normas de calidad
del aire, siendo el ozono (O3) y las partıculas con diametro menor o igual a 10 micras
(PM10) los contaminantes que rebasan con mas frecuencia la norma de calidad del aire.
De esta forma, la ZMG es un buen ejemplo para obtener mapas de calidad del
aire, objetivo de este trabajo, que pueden ser de utilidad para quienes monitorean
y administran escenarios crıticos ante concentraciones elevadas de contaminacion
atmosferica.
La Secretarıa de Medio Ambiente y Desarrollo Territorial (SEMADET) administra
y opera la Red Automatica de Monitoreo Ambiental (RAMA) que inicio formalmente
en 1993 con ocho estaciones fijas distribuidas en la zona de estudio y se incremento
a diez desde enero de 2013, esta red esta distribuida como se muestra en la tabla
5.1. Cabe senalar que en cada estacion se registran y almacenan lecturas horarias de
concentracion de contaminantes criterio como el ozono (O3 en ppm), oxidos de nitrogeno
(NOx, NO y NO2 en ppm), bioxido de azufre (SO2 en ppm), monoxido de carbono
(CO en ppm), partıculas con diametro menor a diez micrometros (PM10 en µg/m3)
y ademas cuenta con equipo meteorologico que reporta temperatura (�C), humedad
5.3. BASES DE DATOS UTILIZADAS 39
relativa (%), precipitacion (mm) y las componentes del viento magnitud (km/h) y
direccion (grados).
Tabla 5.1: Caracterısticas geograficas de las estaciones de la RAMA, ZMG.
Estaciones de la RAMA Ano de
Municipio Clave Nombre Latitud E Longitud N Altitud Tipo Instalacion
Guadalajara CEN Centro 20� 40’ 25” -103� 19’ 59” 1582 Urbana 1993
MIR Miravalle 20� 36’ 52” -103� 20’ 36” 1622 Urbana 1993
OBL Oblatos 20� 42’ 01” -103� 17’ 47” 1608 Urbana 1993
VAL Vallarta 20� 40’ 48” -103� 23’ 54” 1640 Urbana 1993
Zapopan AGU Las Aguilas 20� 37’ 51” -103� 25’ 00” 1633 Urbana 1993
ATM Atemajac 20� 43’ 10” -103� 21’ 19” 1563 Urbana 1993
Tonala LDO Loma Dorada 20� 37’ 45” -103� 15’ 50” 1645 Urbana 1993
Tlaquepaque TLA Tlaquepaque 20� 38’ 27” -103� 18’ 45” 1622 Urbana 1993
El Salto LPIN Las Pintas 20� 34’ 36” -103� 19’ 35” 1543 Semi Urbana 2012
Tlajomulco de
Zuniga
SFE Santa Fe 20� 31’ 44” -103� 22’ 37” 1541 Urbana 2013
Elaboracion propia con datos tomados de (SEMADET, 2013).
Se debe mencionar que con base en diversos trabajos de investigacion, esta norma se
ha modificacion, quedando establecida el 25 de Septiembre del 2005, como LA NORMA
OFICIAL MEXICANA (NOM-025-SSA1-1993, [55], [56]). En donde, por ejemplo para
las partıculas suspendidas, la primer norma de 1993, establece que el lımite permitido
para que la calidad del aire sea saludable, es de 150 µg/m3, lo cual nos indica que en un
promedio diario de 24 horas no debe rebasar este lımite, para que la calidad del aire sea
saludable, mientras que esta ultima Norma (2005) nos indica que el lımite permisible
es de 120 µg/m3.
5.3. Bases de datos utilizadas
Para cubrir el objetivo del presente trabajo, se solicito y recolecto la informacion
disponible en la SEMADET desde el primero de enero de 1996 hasta el 31 de diciembre
de 2013. A manera de ejemplo, en las figuras 5.1 y 5.2 se muestran las representaciones
graficas de las concentraciones disponibles de ozono y PM10 respectivamente.
Como se puede ver en ambas figuras, los datos disponibles1 permiten examinar
el periodo enero/1996 – diciembre/2011 con las ocho estaciones que iniciaron su
1(http://siga.jalisco.gob.mx/aire/Datos.html)
5.3. BASES DE DATOS UTILIZADAS 40
funcionamiento desde 1993; incorporar al estudio la estacion LPIN con los registros
de nueve estaciones en el ano 2012 y revisar la ZMG con los datos observados en las
diez estaciones durante 2013.
Figura 5.1: Representaciones graficas de las series de concetracion de ozono disponibles en
las estaciones de la RAMA, SEMADET (Elaboracion propia con datos proporcionados por
la SEMADET).
Se investigo sobre la validez y confiabilidad de la base de datos disponible,
encontrando que la SEMADET implementa procesos regulares de calibracion del equipo
instalado en las estaciones, en periodos no mayores a tres meses y se verifican ademas
5.3. BASES DE DATOS UTILIZADAS 41
ceros/span, haciendo ajustes por lo menos una vez cada dos semanas y se aplica ademas
un mantenimiento preventivo — correctivo (SEMADET, 2013, [54]); asegurando con
esto los estandares de confiabilidad y validez de los datos.
Figura 5.2: Representaciones graficas de las series de concetracion de PM10, disponibles en
las estaciones de la RAMA SEMADET (Elaboracion propia con datos proporcionados por
la SEMADET).
Ademas, las bases de datos pasaron un analisis estadıstico de calidad explorando
casos de lecturas perdidas y valores negativos, cuidando principalmente el analisis de
lecturas extremas o valores muy grandes como puntos atıpicos.
5.4. DISCUSION DE RESULTADOS 42
5.4. Discusion de resultados
En una observacion general del estudio, tanto el O3 como las PM10 muestran regiones de
riesgo bien definidas al interior de la ciudad y con valores altos de probabilidad regional
de riesgo ambiental, en donde las zonas de riesgo varıan en ubicacion y tamano con
base en el periodo temporal que se analiza, y mostrando diferencias inclusive entre los
contaminantes analizados.
Para este trabajo se tomo una malla de alta resolucion sobre la ZMG, considerando
puntos igualmente espaciados en el cuadro delimitado por [–103.55, –103.15] grados
de longitud y [20.425, 20.825] grados de latitud, ambos con un tamano de paso de
0.003 grados latitud, equivalente a 335m aproximadamente, por lo que los resultados
se muestran en una retıcula M133⇥133 para 133 por 133 puntos en longitud y latitud.
En una malla ası construida, la interpolacion Kriging ordinario proporciona una
estimacion horaria de concentracion de contaminantes en 17,689 sitios no muestreados
y con estos datos estimados, se tiene la posibilidad de observar el comportamiento
espacial del contaminante en la malla de alta resolucion.
Se utilizaron las matrices de estimaciones horarias M133⇥133 y se localizan regiones
que sobrepasan la norma de calidad del aire, identificando condiciones favorables a
niveles elevados de concentracion de contaminantes, siempre y cuando se presente
excedencia en al menos uno de los puntos de la malla, investigando por separado
concentraciones de O3 y PM10.
Finalmente, con estas matrices horarias se calculo la probabilidad de exceder la
norma, dado que se sobrepasa al menos en uno de los nodos de la malla, obteniendo
una region por periodo de estudio y con ellas, se calculan las regiones de riesgo mediante
densidad de probabilidad empırica.
Se analizan tres escenarios: el primero, en donde solo se cuenta con ocho estaciones
de monitoreo ambiental; el segundo, en donde se incorporan nueve estaciones y el
tercero, en donde se tiene diez estaciones de monitoreo. El motivo principal por el que
se implementan estos tres escenarios es porque al RAMA ha estado incrementando
su tamano desde su instalacion; de moque que, durante el periodo 01/01/1996 –
31/12/2011 se agrupan los registros que incluıan observaciones de ocho estaciones
(AGU, ATM, CEN, LDO, MIR, OBL, TLA y VAL), en el ano 2012 se incorpora la
5.4. DISCUSION DE RESULTADOS 43
estacion LPIN, por lo que este periodo se incluyen los registros de las nueve estaciones
y finalmente en 2013 se incorpora la estacion Santa Fe y de este modo, se incluyen las
diez estaciones disponibles a la fecha.
Se seleccionaron solamente lecturas horarias que contaban con registros de los
contaminantes que exceden con mas frecuencia la norma, incorporando a la base una
lectura horaria sı, y solo si, todas las estaciones contaban con registro del contaminante.
Por tanto, los calculos se obtienen a partir de lecturas horarias de registro completo en
todas y cada una de las estaciones.
De esta forma, en una revision por separado de los casos en los que se identifican
regiones de riesgo, se calcula la probabilidad espacial conjunta de excedencias de calidad
del aire o probabilidad regional de riesgo ambiental, mediante el modelo empırico de
probabilidades (expresion 2.5), permitiendo ubicar zonas de riesgo a concentraciones
altas de contaminantes del aire en la ZMG, bajo condiciones que favorecen niveles altos
de contaminantes.
Periodo de ocho estaciones
Investigando en primer instancia las concentraciones de ozono, en las figuras 5.3, 5.4 y
5.5 se muestran las regiones de riesgo estimadas en el periodo 1996 – 2011.
Figura 5.3: Probabilidad regional de riesgo ambiental para O3, ene. - abr. (1996 - 2011).
5.4. DISCUSION DE RESULTADOS 44
En particular, la figura 5.3 contiene las interpolaciones estimadas con los registros
de ozono en los meses de enero, febrero, marzo y abril (primeros cuatrimestres en los
anos de 1996 a 2011).
Sobresaliendo por ejemplo una region al sur de la estacion ATM con probabilidad
superior a 0.75 en los primeros tres meses (enero - marzo), misma que se detecta en el
mes de junio (figura 5.4).
Figura 5.4: Probabilidad regional de riesgo ambiental para O3, may. - ago. (1996 - 2011).
En forma equivalente, el 75% de los registros observados en 1996 - 2011, bajo
condiciones que favorecen niveles altos de contaminantes, se excedio la norma de calidad
del aire por concentracion de O3 en la zona sur de la estacion de ATM durante el primer
cuatrimestre, por lo que se identifica claramente una region de riesgo ambiental en dicha
zona.
En las figuras 5.4 y 5.5 se presentan las probabilidades espaciales de exceder la
norma en el segundo y tercer cuatrimestre, respectivamente, del periodo de ocho
estaciones (1996 - 2011).
Sobresale por ejemplo una region que corresponde a las inmediaciones de la colonia
Independencia, proxima al estadio Jalisco, entre las estaciones ATM, CEN y OBL,
mostrando niveles altos de ozono en los meses de mayo, julio y agosto (figura 5.4) y en
el mes de noviembre (figura 5.5) con probabilidad superior a 0.75 de exceder la norma
en condiciones favorables a concentraciones altas de contaminantes.
5.4. DISCUSION DE RESULTADOS 45
Figura 5.5: Probabilidad regional de riesgo ambiental para O3, sep. - dic. (1996 - 2011).
Durante los meses de octubre y diciembre (la figura 5.5) se presentaron los valores
mas bajos en probabilidad de exceder la norma en condiciones favorables a niveles altos
de contaminacion, es decir, la probabilidades de exceder la norma es menor a 0.5 en
toda la ZMG en los meses de octubre y diciembre. No obstante, en esta misma figura
(5.5) se detectan regiones en las que se observa un riesgo de exceder la norma de calidad
del aire.
Por otro lado, en las figuras 5.6, 5.7 y 5.8 se presenta el comportamiento espacial
de las regiones de riesgo por exceder la norma de calidad del aire por PM10.
Figura 5.6: Probabilidad regional de riesgo ambiental para PM10, ene. - abr. (1996 - 2011).
5.4. DISCUSION DE RESULTADOS 46
En donde estas figuras (5.6, 5.7, 5.8) se obtuvieron con los registros observados
en la RAMA en el mismo periodo de las figuras anteriores y obtenidas mediante un
analisis identico al que se hizo a las concentraciones de ozono. En ellas destaca por
ejemplo que en los meses de julio, agosto (figura 5.7) y septiembre (figura 5.8), la zona
de LDO muestra valores superiores a 0.6 en probabilidad regional de riesgo ambiental,
observable por la curva de nivel, en un tono mas obscuro, incluyendo la estacion LDO.
Figura 5.7: Probabilidad regional de riesgo ambiental para PM10, may. - ago. (1996 -
2011).
Por otro lado, en la figura 5.8 se puede ver que en el mes de octubre, sobresale
una region de riesgo que se distribuye desde la estacion MIR hasta la estacion LDO.
Mientras que en los meses restantes (noviembre, diciembre y de enero a junio), el area de
riesgo se localiza entre ATM, VAL, AGU, MIR y CEN, alcanzando incluso la estacion
de LDO.
En una observacion general, de las figuras 5.3 a 5.8, se tiene evidencia de que la zona
comprendida entre las estaciones de ATM, VAL, AGU, MIR, CEN y LDO, muestra
una region de riesgo ambiental para los contaminantes que exceden con mas frecuencia
la norma (O3 y PM10).
5.4. DISCUSION DE RESULTADOS 47
Figura 5.8: Probabilidad regional de riesgo ambiental para PM10, sep. - dic. (1996 - 2011).
Registros de 2012
Incorporando ahora la estacion LPIN, las graficas de las figuras 5.9, 5.10, 5.11 y 5.12,
5.13, 5.14 muestran las regiones de riesgo ambiental para O3 y PM10 respectivamente.
Figura 5.9: Probabilidad regional de riesgo ambiental para O3, primer cuatrimestre, 2012.
En particular, en la grafica 5.10 destaca por ejemplo que, durante el mes de junio
se presenta una region de riesgo a concentraciones altas de O3 con probabilidad mayor
a 0.75 sobre la estacion VAL y en la localidad ubicada al noreste de la estacion CEN;
mientras que en el mes de septiembre se presento una region de riesgo con menor
5.4. DISCUSION DE RESULTADOS 48
superficie en la misma localidad (figura 5.11).
Figura 5.10: Probabilidad regional de riesgo ambiental de O3, segundo cuatrimestre, 2012.
En esta misma figura se puede observar que durante el mes de diciembre hay una
region de riesgo con probabilidad alta de exceder la norma de calidad del aire en la
zona que se localiza en el area comprendida entre las estaciones AGU, MIR y LPIN,
que se extiende con menor probabilidad desde la estacion VAL y hasta cubrir la region
de mayor riesgo, mientras que el mes de marzo (figura 5.9) no se perciben regiones de
riesgo para concentraciones de ozono, destacando unicamente una pequena area sobre
la estacion de TLA.
Figura 5.11: Probabilidad regional de riesgo ambiental para O3, tercer cuatrimestre, 2012.
Por otro lado, en las graficas de las figuras 5.12, 5.13, 5.14 se pueden observar las
5.4. DISCUSION DE RESULTADOS 49
regiones de riesgo para concentraciones que exceden la norma de calidad del aire en las
PM10. En estas figuras sobresale por ejemplo la zona que se encuentra ubicada entre las
estaciones de LDO, TLA, MIR y LPIN, en donde se excede la norma con probabilidad
mayor a 0.65 en el mes de septiembre (figura 5.14) y con valores de probabilidad superior
a 0.6 en enero (figura 5.12), agosto (figura 5.13), noviembre y diciembre (figura 5.14).
Sobresaliendo ademas curvas de nivel con probabilidades menores a 0.2 en la zona OBL
durante todo el ano (figuras 5.12-5.14).
Figura 5.12: Probabilidad regional de riesgo ambiental para PM10, primer cuatrimestre
2012.
Al comparar las regiones observadas en las graficas de las figuras 5.9-5.11 y 5.12-5.14,
sobresale fundamentalmente la gran diferencia en el comportamiento espacial del O3 y
las PM10.
Una posible causa es la gran diferencia entre los procesos que los generan, en donde
por ejemplo el O3 es un contaminante fotoquımico secundario, cuyos precursores son
los oxidos de nitrogeno, los compuestos organicos volatiles y radiacion UV; en tanto
que las PM10 son contaminantes primarios que se vierten directamente a la atmosfera
por fuentes naturales o antropogenicas, pero se debe mencionar que es una simple
posibilidad. Este resultado abre otra linea de investigacion, ya que se requiere de un
analisis mas profundo para conocer las causas que marcan tal diferencia, destacando
que las condiciones geograficas y atmosfericas son identicas para ambos contaminantes,
lo que sugiere que no son decisivas a la distribucion espacial de los contaminantes.
5.4. DISCUSION DE RESULTADOS 50
Figura 5.13: Probabilidad regional de riesgo ambiental, PM10, segundo cuatrimestre 2012.
Destaca ademas una diferencia significativa en el comportamiento espacial de ambos
contaminantes durante el periodo 1996–2011 y lo que se observa durante 2012. Esto
sugiere la necesidad de estimar la region de riesgo ambiental en forma periodica,
inclusive diariamente, para proporcionar una herramienta util a quienes toman
decisiones e informan a la sociedad.
Figura 5.14: Probabilidad regional de riesgo ambiental, PM10, tercer cuatrimestre 2012.
A reserva de los intereses en la SEMADET, si se tienen lecturas en dıas que excede
la norma de calidad del aire en cualquiera de los contaminantes, se puede estimar
en segundos la region de riesgo ambiental y dejar la imagen a disposicion de quienes
puedan tomar decisiones en favor de proteger a la poblacion.
5.4. DISCUSION DE RESULTADOS 51
Registros de 2013
Dando continuidad al analisis de los datos, en las graficas de las figuras 5.15, 5.16,
5.17 y 5.18, 5.19 se pueden observar las regiones de riesgo ambiental estimadas con las
lecturas registradas en el 2013, para las concentraciones de O3 y PM10 respectivamente.
Figura 5.15: Probabilidad regional de riesgo ambiental, O3, primer cuatrimestre de 2013.
Resalta nuevamente la marcada diferencia del comportamiento espacial de los datos
registrados en el periodo de 1996–2011 y lo observado en este ano.
Figura 5.16: Probabilidad regional de riesgo ambiental, O3, primer cuatrimestre de 2013.
Se puede advertir ademas que las regiones de riesgo estimadas con los registros de
los anos 2012 y 2013, muestran cierta similitud en el comportamiento espacial de las
5.4. DISCUSION DE RESULTADOS 52
regiones estimadas.
Sobresale ademas que durante los meses de septiembre, noviembre y diciembre de
2013, no se presentaron excedencias a la norma de calidad del aire en concentraciones
de O3 y por ende, no aparecen estos meses en la figura 5.16.
Figura 5.17: Probabilidad regional de riesgo ambiental, O3, segundo cuatrimestre de 2013.
Ademas, se observa un caso similar para las concentraciones de las PM10 durante los
meses de abril, junio, septiembre y octubre del mismo ano, es decir, como se puede ver
en las graficas mensuales de las figuras 5.18 y 5.19, en esos meses tampoco se excedio
la norma de calidad del aire por PM10.
Figura 5.18: Probabilidad regional de riesgo ambiental, PM10, meses de enero, febrero,
marzo y mayo de 2013.
5.4. DISCUSION DE RESULTADOS 53
Revisando el desempeno de las concentraciones de O3, en las figuras 5.15-5.17 se
puede observar que durante enero del 2013 se presentaron los valores de probabilidad
mas altos del ano para la region de riesgo ambiental (superior a 0.75). Ademas, en
las graficas de la figura 5.15 hay evidencia de que se excedio la norma de calidad del
aire para la zona ubicada entre las estaciones de ATM, VAL, CEN, AGU, MIR y
extendiendose hasta Las Pintas con probabilidad de riesgo menor a 0.25, seguido con
valores de probabilidad mayores a 0.5 sobre la estacion VAL en el mes de julio.
Figura 5.19: Probabilidad regional de riesgo ambiental, PM10, meses de julio, agosto,
noviembre y diciembre de 2013.
Ademas, en esta misma figura (5.15) sobresale que durante febrero, marzo y abril del
mismo ano, la zona correspondiente a la estacion Santa Fe (Tlajomulco de Zuniga)
presenta probabilidades de riesgo ambiental mayor a cero.
Por otro lado, en las graficas de las figuras 5.18 y 5.19 se presentan las regiones
de riesgo ambiental para concentraciones de PM10, destacando que durante los meses
de enero, febrero y marzo se puede observar un comportamiento similar al observado
durante el ano 2012 (figuras 5.12-5.14), sobresaliendo por ejemplo el mes de marzo
(figura 5.18) con probabilidad de riesgo ambiental superior a 0.75, bajo condiciones
que favorecen niveles altos de concentracion de contaminantes en el aire. Asimismo,
sobresale en estas mismas figuras que durante los meses de mayo y diciembre la region
de riesgo se entiende a la zona CEN de la ZMG y durante los meses de julio y agosto
se concentra sobre la estacion de Santa Fe, en el area de Tlajomulco de Zuniga.
Capıtulo 6
Conclusiones y recomendaciones
Suponer que un paquete sea capaz de generar la mejor aproximacion de la estructura
de una magnitud que se distribuye espacial, aceptando el efecto de caja negra, no es la
mejor alternativa para magnitudes que muestran fuertes variaciones en espacio tiempo
y la importancia de tener la mejor alternativa, queda evidenciada al analizar el caso
de estudio, en donde se revisa el riesgo potencial al que esta expuesta una poblacion
por niveles altos de contaminantes en el aire que respira. En particular, en ciudades
grandes como la ZMG no se ha tenido la debida atencion y mas aun, en este estudio
se demuestra que las regiones de riesgo ambiental sobrepasan el entorno proximo a las
estaciones de monitoreo, destacando zonas que cubren incluso un gran porcentaje de
la zona conurbada.
De igual forma, modelar el desempeno de una variable con parametros de localidad,
cuando la magnitud de estudio presenta fuertes oscilaciones temporales, puede llevar
a conclusiones que no corresponden a la estructura espacial observada y con ello,
a escenarios en donde se desprotege parte de una poblacion en riesgo sin un aviso
oportuno o conocimiento del peligro de salud al que se esta expuesto.
Lamentablemente, no se encontraron estudios confiables en la zona de estudio, ni
similitud alguna con trabajos a nivel internacional. En especıfico, la propuesta del
calculo de probabilidad de riesgo ambiental para establecer regiones de riesgo no aparece
en la literatura. La necesidad de definir este concepto en la tesis, se debe principalmente
a que la variacion espacial de la concentracion de los contaminantes que exceden
con mas frecuencia la norma en la ZMG no permite conocer un comportamiento con
54
CAPITULO 6. CONCLUSIONES Y RECOMENDACIONES 55
parametros de localidad, es decir, si una region especıfica muestra niveles altos de un
contaminante durante un periodo de tiempo y en ciclos posteriores la concentracion
disminuye, no se tendrıa evidencia de regiones de riesgo ambiental.
En terminos generales, se concluye lo siguiente:
Los errores que se cometen al tratar de interpretar una estructura espacial
mediante maximos diarios, quincenales, mensuales o cualquier periodo largo, son
excesivos y los resultados no corresponden a ninguna situacion real en la region
de estudio.
El modelo con el menor error de ajuste en el semivariograma no coincide
necesariamente con el menor error de interpolacion espacial Kriging, por lo que se
recomienda revisar el desempeno de la magnitud de estudio para que, mediante
un analisis de simulacion, se identifique el mejor modelo.
Se aplica el metodo de interpolacion espacial kriging, encontrando zonas de riesgo
que exhiben una fuerte variacion mensual para cada contaminante y entre los
datos de los contaminantes analizados.
Los datos hacen suponer que dichas regiones de riesgo pueden atribuirse a
los procesos quımicos que incrementan la concentracion de cada uno de los
contaminantes atmosfericos.
Bajo el concepto de probabilidad regional de riesgo ambiental, se obtiene una
medida en la zona de estudio.
Se obtiene evidencia clara de regiones de riesgo ambiental, con probabilidades
superiores a 0.6 bajo condiciones que favorecen concentraciones altas de
contaminantes.
Se detectan regiones de riesgo ambiental por niveles altos de concentracion de O3
y PM10.
Se encontro que la region centro de la ZMG presenta valores altos de riesgo
a concentraciones elevadas de PM10 en el periodo 01/01/1996 – 31/12/2011 y
que en los anos 2012 – 2013 la region de riesgo se ubica al sur – sureste de la
ZMG. Sobresaliendo que en 2013 la estacion de Santa Fe muestra valores mayores
CAPITULO 6. CONCLUSIONES Y RECOMENDACIONES 56
a cero en terminos de riesgo ambiental, lo que hace suponer que las condiciones
atmosfericas (como direccion, intensidad del viento e inversion termica) favorecen
el traslado de los contaminantes a dicha zona.
En el caso del ozono, se detectaron regiones bien definidas en el periodo
01/01/1996 – 31/12/2011, sin embargo el mismo analisis para 2012 y 2013
muestra un comportamiento diferente, es decir, se refuerza la alta variabilidad
espacial de las regiones de riesgo ambiental en el tiempo.
No hay evidencia para creer que las condiciones atmosfericas y geograficas de la
zona sean contundentes para las regiones de riesgo ambiental.
Ademas de las ya mencionadas, otras recomendaciones que se derivan de este
trabajo son las siguientes:
Cuando se aplica el metodo Kriging, se debe controlar adecuadamente el
modelo que “mejor” ajusta al semivariograma muestral para obtener estimaciones
espaciales con el menor error. No se recomienda aplicarlo sin tener idea del
modelo del semivariograma estimado porque los errores se disparan de manera
significativa.
No se observa evidencia de un comportamiento regular en espacio o tiempo, por
lo que se sugiere implementar una metodologıa que genere un pronostico diario
para regiones de riesgo ambiental.
Este ultimo punto implica la necesidad de estimaciones diarias para mantener
protegida la poblacion ante niveles de concentracion de contaminantes que sobrepasen
las normas de calidad del aire. De hecho es parte de los trabajos que pueden
desarrollarse en complemento a los resultados obtenidos en esta disertacion.
Cabe resaltar que los resultados del presente trabajo fueron sometidos a la Revista
Iberoamericana de Ciencias y fueron aceptados para su publicacion, despues de una
revision rigurosa. En el apendice “Artıculo Publicado” se adjunta una copia de la
publicacion de este trabajo (Vol.2, No. 2 - marzo del 2015, [5]).
Apendice A
Programas utilizados
Los comando y rutinas que se enlistan a continuacion se ejecutaron en Matlab 7.6,
R2008a instalado en una computadora con sistema operativo Linux, con procesador
Intel Core 2 Duo a 2.4GHz y 2GB SDRAM.
Metodo Kriging Ordinario en Matlab
El metodo Kriging Ordinario en Matlab se puede obtener mediante la siguientes
lıneas de comandos, en donde la variable est es un vector de cadenas de caracteres con
los nombres abreviados de las estaciones, an corresponde al ano que se analiza y cc es
una matriz 2⇥e en donde e es el numero de estaciones.
Semivariograma muestral
x=load(est(an,:));k1=[cc’;x];[m e]=size(k1);cont=0;
for i=1:(e-1)
for j=i+1:e
cont=cont+1;
h(cont)=norm(k1(1:2,i)-k1(1:2,j));
g1(cont)=nansum((k1(3:m,i)-k1(3:m,j)).^2)/(2⇤m);end
end
57
APENDICE A. PROGRAMAS UTILIZADOS 58
Ajuste del Semivariograma
% Modelo linealb1=inv([h;ones(1,length(h))]⇤[h’ ones(length(h),1)])
⇤([h;ones(1,length(h))]⇤g1’);errlin=norm(g1’-[h’ ones(length(h),1)]⇤b1);y=b1(1)⇤h+b1(2);[a b]=max(y);inf=[b1(2) a h(b) errlin];
subplot(8,1,1);plot(h,g1,’.’,h,y,’⇤r’);axis([0 max(h) 0 2])
p=.0001:.1:1.9999;
r=floor(max(h)/2):floor(max(h));
tol=100000;
% Modelo esfericofor j=1:length(r)
temp=3⇤h/(2⇤r(j))-(h/r(j)).^3/2;b1=inv([temp;ones(1,length(h))]⇤[temp’ ones(length(h),1)])
⇤([temp;ones(1,length(h))]⇤g1’);errlin=norm(g1’-[temp’ ones(length(h),1)]⇤b1);if(errlin<tol)
tol=errlin;
bop=b1;
top=temp;
y=bop(1)⇤top+bop(2);[a b]=max(y);op=[b1(2) a h(b) errlin];
subplot(8,1,2);plot(h,g1,’.’,h,y,’⇤r’);axis([0 max(h) 0 2])
end
end
inf=[inf;op];
tol=100000;
% Modelo expfor j=1:length(r)
temp=1-exp(-h/r(j));
b1=inv([temp;ones(1,length(h))]⇤[temp’ ones(length(h),1)])
⇤([temp;ones(1,length(h))]⇤g1’);errlin=norm(g1’-[temp’ ones(length(h),1)]⇤b1);if(errlin<tol)
tol=errlin;
bop=b1;
top=temp;
y=bop(1)⇤top+bop(2);[a b]=max(y);op=[b1(2) a h(b) errlin];
subplot(8,1,3);plot(h,g1,’.’,h,y,’⇤r’);axis([0 max(h) 0 2]);
end
end
inf=[inf;op];
tol=100000;
APENDICE A. PROGRAMAS UTILIZADOS 59
% Modelo Gaussfor j=1:length(r)
temp=1-exp(-h.^2/r(j)^2);
b1=inv([temp;ones(1,length(h))]⇤[temp’ ones(length(h),1)])
⇤([temp;ones(1,length(h))]⇤g1’);errlin=norm(g1’-[temp’ ones(length(h),1)]⇤b1);if(errlin<tol)
tol=errlin;
bop=b1;
top=temp;
y=bop(1)⇤top+bop(2);[a b]=max(y);op=[b1(2) a h(b) errlin];
subplot(8,1,4);plot(h,g1,’.’,h,y,’⇤r’);axis([0 max(h) 0 2])
end
end
inf=[inf;op];
tol=100000;
% modelo Pot-Expfor j=1:length(r)for i=1:length(p)
temp=1-exp(-h.^p(i)/r(j)^p(i));
b1=inv([temp;ones(1,length(h))]⇤[temp’ ones(length(h),1)])
⇤([temp;ones(1,length(h))]⇤g1’);errlin=norm(g1’-[temp’ ones(length(h),1)]⇤b1);if(errlin<tol)
tol=errlin;
bop=b1;
top=temp;
y=bop(1)⇤top+bop(2);[a b]=max(y);op=[b1(2) a h(b) errlin];
subplot(8,1,5);plot(h,g1,’.’,h,y,’⇤r’);axis([0 max(h) 0 2])
end
end
end
inf=[inf;op];
tol=100000;
% Modelo Racional-Cuadfor j=1:length(r)
temp=h.^2./(1+h.^2/r(j));
b1=inv([temp;ones(1,length(h))]⇤[temp’ ones(length(h),1)])
⇤([temp;ones(1,length(h))]⇤g1’);errlin=norm(g1’-[temp’ ones(length(h),1)]⇤b1);if(errlin<tol)
tol=errlin;
bop=b1;
top=temp;
y=bop(1)⇤top+bop(2);[a b]=max(y);op=[b1(2) a h(b) errlin];
APENDICE A. PROGRAMAS UTILIZADOS 60
subplot(8,1,6);plot(h,g1,’.’,h,y,’⇤r’);axis([0 max(h) 0 2])
end
end
inf=[inf;op];
tol=100000;
% Modelo de ondafor j=1:length(r)for i=1:length(p)
temp=1-r(j)⇤sin(r(j)./(h+.0001))./(h+.0001);b1=inv([temp;ones(1,length(h))]⇤[temp’ ones(length(h),1)])
⇤([temp;ones(1,length(h))]⇤g1’);errlin=norm(g1’-[temp’ ones(length(h),1)]⇤b1);if(errlin<tol)
tol=errlin;
bop=b1;
top=temp;
y=bop(1)⇤top+bop(2);[a b]=max(y);op=[b1(2) a h(b) errlin];
subplot(8,1,7);plot(h,g1,’.’,h,y,’⇤r’);axis([0 max(h) 0 2])
end
end
end
inf=[inf;op];
tol=100000;
% Modelo de potenciafor i=1:length(p)
temp=h.^p(i);
b1=inv([temp;ones(1,length(h))]⇤[temp’ ones(length(h),1)])
⇤([temp;ones(1,length(h))]⇤g1’);errlin=norm(g1’-[temp’ ones(length(h),1)]⇤b1);if(errlin<tol)
tol=errlin;
bop=b1;
top=temp;
y=bop(1)⇤top+bop(2);[a b]=max(y);op=[b1(2) a h(b) errlin];
subplot(8,1,8);plot(h,g1,’.’,h,y,’⇤r’);axis([0 max(h) 0 2])
p(i)
end
end
inf=[inf;op]
APENDICE A. PROGRAMAS UTILIZADOS 61
Interpolando Kriging Ordinario
cv=inv([[cov(k1(3:m,:));ones(1,e)] [ones(e,1);0]]);
for i=1:n
for j=1:n
he1=[];
for k=1:e
he1(k)=norm([clon(i);clat(j)]-k1(1:2,k));
end
cv1=(bop(1)⇤he1+bop(2))’;l1=cv⇤[cv1;1];te1=k1(3:m,:)⇤l1(1:e);for k=1:e
if(sum(k1(1:2,e)==[clon(i);clat(j)])==2)
te1=k1(3:m,e);
end
end
tsup=[tsup te1];
end
end
temp=[]; for i=1:n, temp=[temp; nanmean(tsup(:,n⇤(i-1)+1:n⇤i))];end[lon lat]=meshgrid(clon,clat);colormap autumn;
contourf(lat,lon,temp,5);grid(’on’);colormap autumn;colorbar
Sobreponiendo estimaciones espaciales
for i=1:n
for j=1:n
sttemp(i,j,ii)=temp(i,j);
end
end
[lo la ti]=meshgrid(clon, clat, 1:11);
slice(lo,la,ti,sttemp,ka(1)+(kb(1)-ka(1))/2,ka(2)+(kb(2)-ka(2))/2,
1:11)
APENDICE A. PROGRAMAS UTILIZADOS 62
Datos utilizados
Tabla A.1: Concentraciones de ozono registrados en la RAMA en donde se tiene unalectura horarias continuas para cada una de las diez estaciones.
n AGU ATM CEN LPIN LDO MIR OBL SFE TLA VAL1 9 12 4 17 10 7 11 16 11 112 18 25 13 27 17 16 23 28 24 263 30 34 25 35 20 21 27 41 23 384 34 38 33 41 27 26 29 43 28 405 41 42 32 42 32 30 35 46 37 476 45 50 41 46 34 34 37 47 42 607 61 53 47 50 45 36 39 52 49 708 74 46 51 53 44 44 36 56 53 719 79 38 50 58 37 41 33 50 36 5010 40 24 38 49 30 27 27 63 34 3611 32 29 26 34 19 22 22 41 26 3712 23 28 19 28 14 24 20 20 15 2713 17 15 13 32 25 25 14 25 20 2114 32 26 12 29 25 18 19 35 22 3415 29 24 18 19 8 9 15 20 16 3016 8 21 16 14 9 4 21 15 10 1917 14 22 15 9 13 6 20 8 14 2218 9 21 16 7 11 7 21 5 12 2219 17 29 15 10 16 7 22 6 17 2220 15 29 21 6 15 7 21 12 17 3021 15 28 22 7 9 3 20 10 13 2722 11 22 17 2 11 3 16 4 12 2423 5 10 17 2 7 1 11 5 10 2024 15 18 11 5 9 2 13 9 10 1825 15 23 15 13 13 8 15 17 13 2426 17 24 17 21 14 12 19 23 20 2627 25 26 18 26 17 17 23 23 24 3028 31 33 23 31 21 22 24 31 29 3729 34 33 28 34 21 23 26 37 29 3930 34 32 27 36 23 24 25 38 29 3531 34 33 27 34 21 22 25 40 27 3732 25 33 27 32 24 19 27 21 24 3033 36 35 22 37 27 22 29 36 34 3834 31 28 31 32 19 18 21 34 24 3135 17 18 25 19 8 8 12 20 5 1436 1 12 10 13 3 5 8 12 3 1237 1 8 3 7 2 1 1 7 1 238 1 3 1 5 1 1 1 3 1 439 1 3 1 2 1 1 1 3 1 440 1 5 1 2 1 1 2 1 1 441 1 8 1 2 1 1 4 1 1 342 1 13 2 2 5 1 6 1 1 543 1 12 4 2 3 1 8 1 1 1144 5 14 4 2 4 1 8 1 2 1745 5 9 6 3 2 1 4 2 2 1246 1 4 5 2 1 1 2 2 1 747 1 4 1 2 1 1 1 2 1 148 1 7 1 2 1 1 3 2 2 249 4 14 2 6 6 4 9 2 7 950 7 16 8 10 7 6 12 10 11 1151 12 20 11 18 12 11 16 15 17 1752 19 24 17 25 13 15 21 26 18 2253 22 26 21 25 14 15 21 29 18 2354 20 27 20 28 16 15 23 35 24 2455 15 25 22 26 13 13 19 22 20 24
Continua en la siguiente pagina...
APENDICE A. PROGRAMAS UTILIZADOS 63
n AGU ATM CEN LPIN LDO MIR OBL SFE TLA VAL56 11 16 20 21 12 11 10 16 18 2257 10 14 10 14 5 8 8 9 12 1958 6 12 7 8 6 4 8 8 7 1259 2 5 7 5 1 2 2 7 1 760 2 3 1 9 3 4 1 13 1 261 1 3 1 4 3 1 1 4 1 262 1 3 1 2 8 1 1 4 1 163 1 6 1 2 3 1 5 1 1 264 2 15 1 2 6 1 12 1 1 1265 1 15 4 2 4 1 10 4 2 1166 1 11 4 3 4 1 8 4 6 1067 1 10 6 4 1 1 6 10 1 568 1 8 3 4 2 1 3 7 1 169 1 4 1 3 1 1 1 3 1 270 1 3 1 3 1 1 1 1 1 171 1 3 1 2 4 1 1 2 1 172 1 3 1 3 2 1 1 4 1 173 3 5 1 6 1 2 3 7 1 374 6 8 2 10 3 4 6 14 4 575 12 14 5 14 7 7 11 19 8 1076 11 20 11 10 11 7 17 22 15 977 10 16 15 11 13 6 14 23 14 1378 18 22 10 16 17 13 16 27 21 2179 19 24 15 20 17 14 17 29 21 2480 20 26 18 21 18 14 18 29 22 2481 17 25 18 21 19 12 19 28 21 2182 16 21 15 18 15 10 15 25 16 1783 10 15 12 15 12 6 11 23 13 1284 3 10 8 10 5 2 6 17 7 785 3 8 3 5 4 2 4 12 6 386 4 10 2 7 5 2 5 11 5 487 6 8 4 8 3 3 6 11 4 688 10 10 3 8 4 4 7 14 5 689 8 12 5 10 5 5 9 15 5 690 5 13 5 11 6 4 9 13 7 791 10 12 6 11 5 6 9 14 8 992 3 12 8 10 3 5 9 14 6 993 1 9 7 4 3 1 5 7 3 594 4 4 4 2 1 1 2 1 1 195 1 3 1 2 1 1 1 2 1 196 3 4 1 3 1 1 2 5 1 197 3 4 1 5 1 2 3 7 1 298 7 10 1 10 5 5 7 15 6 799 11 15 7 15 9 9 10 20 14 13100 17 20 12 19 12 11 14 23 16 16101 17 24 14 21 15 13 16 23 18 18102 17 25 17 24 18 14 18 25 22 20103 22 25 18 23 19 15 21 27 21 24104 20 23 21 24 20 16 22 27 21 23105 18 22 25 22 19 13 21 25 22 27106 14 21 22 25 18 16 21 25 20 24107 12 16 21 17 13 10 15 22 14 15108 7 14 12 15 9 1 8 11 5 5109 2 6 5 3 1 1 2 12 1 1110 1 3 1 9 1 1 1 6 1 2111 1 4 1 6 1 1 3 3 1 1112 1 12 1 2 4 1 12 1 1 1113 1 13 2 4 9 1 12 1 9 1114 1 10 7 2 8 1 13 1 11 3115 1 9 10 2 4 1 10 3 2 1116 1 6 6 2 3 1 11 1 1 1117 1 4 8 2 1 1 4 1 2 2118 1 4 8 2 1 1 1 2 1 1119 1 4 1 2 1 1 1 1 1 1120 1 4 1 3 1 1 2 2 1 1
Continua en la siguiente pagina...
APENDICE A. PROGRAMAS UTILIZADOS 64
n AGU ATM CEN LPIN LDO MIR OBL SFE TLA VAL121 3 7 1 5 3 2 5 5 3 3122 11 16 4 11 8 6 10 11 10 13123 17 22 11 18 12 12 15 19 14 20124 24 24 17 26 15 15 19 26 19 24125 26 27 20 31 19 18 22 32 26 27126 31 29 24 32 18 18 25 32 29 29127 28 32 26 32 19 18 26 35 24 31128 24 30 27 30 15 18 27 38 23 31129 23 31 26 24 17 16 26 36 22 29130 11 24 25 18 4 6 18 22 14 17131 14 22 15 12 12 7 17 13 12 15132 7 16 12 4 8 1 3 4 1 11133 1 5 3 2 6 1 5 3 5 3134 1 9 4 2 1 1 5 5 1 5135 1 9 1 3 1 1 2 10 1 1136 1 11 1 11 1 1 7 12 1 2137 1 14 2 6 1 1 14 15 1 7138 1 21 6 2 4 1 12 5 6 10139 1 17 10 2 10 1 8 2 3 15140 5 13 4 2 4 1 8 1 1 5141 2 6 9 2 2 1 3 2 1 3142 1 4 6 2 1 1 1 2 1 5143 1 4 3 2 1 1 2 2 1 1144 1 6 1 3 2 1 4 3 1 2145 6 16 2 8 7 4 10 7 9 10146 16 22 8 17 11 10 15 14 16 19147 25 29 15 28 17 18 18 28 26 28148 31 33 22 33 23 22 23 40 30 35149 35 38 26 37 28 24 27 46 34 37150 36 44 31 40 31 22 29 46 39 44151 43 46 34 42 32 25 32 49 41 49152 46 40 39 46 28 27 31 54 42 17153 36 39 35 47 29 24 32 53 36 12154 29 34 33 30 26 16 29 42 32 10155 19 19 25 19 7 11 13 19 17 6156 9 5 12 7 7 3 3 17 3 2157 3 4 1 5 8 1 4 10 4 1158 5 4 1 5 2 1 4 3 1 1159 11 6 1 2 1 1 5 13 1 1160 19 19 1 2 3 1 8 15 1 2161 19 13 4 4 4 7 11 12 1 4162 20 20 6 13 4 10 6 13 1 7163 22 27 1 13 7 6 18 16 1 7164 10 24 19 10 4 6 7 8 3 2165 7 14 14 2 4 2 2 4 1 3166 1 5 1 2 2 1 1 3 1 3167 1 4 1 3 1 1 1 1 1 2168 1 4 1 3 1 1 2 2 1 4169 4 5 1 7 7 3 4 7 6 1170 12 18 2 21 18 13 15 23 19 2171 24 35 18 37 25 20 26 38 31 8172 48 45 30 45 31 31 36 53 46 18173 58 62 42 53 34 41 41 66 53 26174 73 75 54 61 47 45 47 72 65 36175 97 75 61 61 52 50 48 71 59 45176 111 62 66 72 43 50 40 75 48 44177 87 55 59 73 46 49 41 61 59 35178 55 59 48 59 38 45 46 43 46 27179 31 34 39 44 32 41 36 23 37 17180 22 22 21 26 15 21 20 12 16 6181 37 8 7 27 5 17 15 11 7 0182 19 21 5 22 3 12 8 15 6 8183 21 17 1 14 29 15 13 12 10 9184 24 17 1 17 2 13 12 16 6 7185 23 18 1 18 2 11 11 17 4 8
Continua en la siguiente pagina...
APENDICE A. PROGRAMAS UTILIZADOS 65
n AGU ATM CEN LPIN LDO MIR OBL SFE TLA VAL186 24 18 3 14 29 12 13 16 3 6187 14 22 1 12 2 9 14 15 4 6188 2 19 4 9 2 1 15 12 3 8189 4 20 10 10 8 4 15 10 12 8190 1 16 12 7 6 2 14 5 1 6191 1 17 10 5 4 1 14 2 5 6192 5 15 9 5 8 7 12 4 4 4193 19 20 12 16 10 12 15 12 12 7194 33 27 16 23 14 14 20 27 24 10195 36 29 21 27 16 12 24 31 25 12196 31 38 23 36 27 21 25 38 29 13197 48 38 30 53 34 36 34 51 43 20198 68 51 41 66 44 49 43 70 61 28199 84 69 57 63 46 50 49 72 64 33200 96 80 65 59 50 54 44 72 71 40201 41 37 77 59 35 42 34 64 51 20202 34 31 38 39 23 23 29 43 25 10203 28 25 23 17 8 7 17 19 6 8204 11 14 11 15 4 1 7 10 1 5205 2 9 4 5 4 1 4 6 1 3206 1 6 1 8 1 3 2 11 1 2207 4 19 2 22 1 4 5 19 1 4208 8 27 3 23 2 7 13 16 1 8209 27 27 10 17 8 5 21 21 12 9210 20 28 16 20 4 3 21 26 9 11211 18 28 17 15 8 7 21 18 6 11212 12 25 18 9 8 4 20 9 13 11213 11 16 20 3 6 6 14 4 15 10214 1 7 16 2 2 1 4 1 6 6215 1 3 9 2 2 1 1 1 1 1216 2 7 3 5 7 1 7 2 7 1217 6 14 4 13 8 6 10 7 11 3218 16 24 12 24 15 11 17 17 17 8219 24 31 19 29 22 20 24 29 29 11220 35 43 25 42 32 26 30 46 37 21221 46 50 32 48 33 32 30 54 46 31222 59 48 41 51 36 37 34 53 46 34223 61 51 43 53 35 41 42 64 49 28224 71 54 46 57 39 42 41 53 50 25225 60 52 44 60 39 36 42 64 49 25226 40 45 42 49 38 30 36 61 37 21227 20 28 36 36 28 19 25 30 29 14228 23 20 20 32 17 23 14 21 17 12229 28 25 11 30 19 27 10 24 19 12230 19 21 10 34 21 33 21 25 30 14231 19 28 23 35 23 18 25 22 31 18232 27 27 25 27 21 16 21 23 26 15233 24 31 20 23 21 15 23 21 25 11234 35 34 24 16 15 17 25 21 22 12235 29 38 22 14 18 11 27 23 20 11236 19 38 21 8 14 8 27 19 19 11237 29 34 25 13 13 14 23 9 24 15238 23 15 29 9 7 6 17 7 13 12239 8 10 17 2 2 1 9 3 2 6240 4 10 4 4 2 1 7 3 1 5241 8 16 7 5 3 1 12 5 4 3242 20 24 8 11 8 7 16 9 14 6243 34 35 15 29 21 19 23 31 29 12244 39 36 26 40 24 24 26 37 33 16245 34 39 31 41 28 28 30 48 34 18246 35 38 33 43 16 26 26 52 31 17247 25 27 25 28 13 15 18 32 20 11248 29 32 12 39 24 24 25 32 30 9249 32 39 21 40 28 26 29 48 27 14250 25 33 28 38 29 24 26 48 31 13
Continua en la siguiente pagina...
APENDICE A. PROGRAMAS UTILIZADOS 66
n AGU ATM CEN LPIN LDO MIR OBL SFE TLA VAL251 12 22 27 31 23 12 21 34 27 9252 4 15 14 19 8 2 10 21 15 4253 1 20 6 6 3 1 11 10 4 4254 18 21 11 14 9 1 18 11 14 11255 23 26 17 32 25 18 22 30 28 12256 27 31 21 30 23 14 26 21 30 14257 29 31 21 28 24 19 25 32 27 11258 24 30 23 27 24 15 23 32 26 10259 19 28 22 25 22 11 21 26 23 10260 18 26 19 18 17 9 18 25 21 9261 20 18 17 11 9 8 13 13 12 9262 11 7 14 7 4 3 12 10 8 6263 1 4 7 4 1 1 3 6 1 2264 1 5 1 4 2 1 3 4 3 1265 5 11 2 8 4 2 8 4 6 2266 11 17 6 18 9 7 12 12 12 3267 14 20 12 22 13 11 16 24 18 7268 20 24 17 26 15 12 18 32 20 8269 18 25 18 24 15 11 18 34 18 6270 16 26 10 26 19 13 17 37 18 4271 24 30 12 36 25 21 22 47 28 7272 30 33 17 38 26 25 28 43 33 12273 18 22 23 20 17 12 17 28 18 8274 9 8 11 16 11 6 6 22 14 2275 9 6 4 9 11 5 7 19 6 1276 5 4 3 6 7 4 4 12 9 1277 6 3 1 6 3 3 2 8 6 1278 3 3 1 4 1 2 2 4 1 1279 1 5 1 5 3 1 7 2 4 1280 1 11 3 5 7 1 11 4 8 2281 1 13 5 5 8 3 12 4 8 3282 3 15 7 5 10 3 11 2 11 4283 3 15 8 4 10 3 12 4 11 6284 13 15 11 5 10 6 12 7 13 6285 11 12 11 6 6 5 8 5 10 6286 4 5 9 5 4 1 4 2 3 4287 1 4 3 3 2 1 2 1 2 1288 1 3 1 3 2 1 2 2 2 1289 1 5 1 4 2 1 4 2 2 1290 2 8 1 7 4 1 6 4 5 1291 3 10 3 8 4 2 5 8 6 1292 4 10 4 12 6 4 7 8 8 1293 5 12 6 16 7 5 9 9 13 2294 9 14 9 19 10 6 10 12 17 2295 13 18 10 22 11 9 15 19 18 4296 12 21 14 23 17 12 16 18 17 4297 10 18 12 21 16 12 11 19 18 3298 7 9 11 19 10 7 10 15 12 2299 3 6 7 12 4 3 7 15 3 1300 1 5 2 5 27 1 2 4 1 1301 1 4 1 2 1 1 1 1 1 1302 1 4 1 2 11 1 1 1 1 1303 1 4 1 3 70 1 1 1 1 1304 1 5 1 2 1 1 3 1 1 1305 1 5 1 3 2 1 2 2 1 1306 1 4 1 4 1 4 2 1 1 1307 1 4 1 2 5 1 6 2 1 1308 1 5 1 2 6 1 5 2 2 1309 1 4 1 2 1 1 4 2 1 1310 1 4 1 2 1 1 2 2 1 1311 1 4 1 2 1 1 1 3 1 1312 1 4 1 3 74 1 2 2 2 1
Fuente: elaboracion propia con datos proporcionados por la SEMADET.
APENDICE A. PROGRAMAS UTILIZADOS 67
Tabla A.2: Concentraciones de PM10 registrados en la RAMA en donde se tiene unalectura horarias continuas para cada una de las diez estaciones.
n AGU ATM CEN LPIN LDO MIR OBL SFE TLA VAL1 64.1 36 43.2 96.2 84.6 137.9 45.5 105.39 49.9 52.32 69.8 38.1 41.4 100.9 77.6 112.4 43.9 83.876 66 38.83 45.9 32.7 46.8 88.3 63.3 65.4 44.9 86.205 46.3 38.84 29 31.7 38.3 54.8 41.5 51.7 38.5 93.181 28.9 385 24.6 30.4 36.3 70 42.6 63.5 36.9 90.946 36.4 35.76 33.5 27.9 41.9 72.7 44.7 51.4 37.2 78.832 34.4 447 37.3 32.6 39.9 66.7 50.9 67.7 37.9 80.562 36.3 53.88 38.7 36.7 39.8 76.5 45.3 56.6 43.3 93.474 38.3 52.69 43.5 37.9 46.8 99.8 53 58.1 49.7 88.931 37.5 39.610 43.5 40.2 47.5 128 61.6 61.3 56.3 96.018 43.6 41.311 61.8 95 43.3 192.6 90.9 72.4 101.5 126.78 56.9 73.212 66.9 87.9 61.8 157.1 94.1 76.8 112.8 145.57 57.4 70.513 65 60.9 67.2 128.4 64.7 83.6 78.6 185.59 45.9 60.614 69.4 46.8 62.4 97.7 69.1 63 61.1 139.06 52.9 56.915 55.4 40.9 56.9 80.2 59.2 62.2 52.5 83.372 48.2 4516 30.4 33.5 48.6 72.1 40.4 62.5 40.8 68.096 40.1 40.817 36.2 26.8 40.8 60.6 39.7 40.9 35.5 69.862 38.4 33.518 46.6 26.2 35.8 57.8 38.5 56.2 35.7 58.73 33.3 34.819 45.7 28.1 33.2 70 48.8 85.4 37 76.846 41.4 35.620 39.5 29.9 35.1 68.3 53.3 84.1 40.2 91.144 51.4 40.321 40.5 36.8 56.2 83 50.3 103.9 59.3 95.16 50.8 39.722 58.9 56.2 61.2 147.7 65.7 134.8 76.2 104.6 67.8 38.323 90.2 74.5 83.5 416.7 95.9 207.9 84.8 174.87 93.3 46.124 80.3 75.8 93.3 194.8 138.4 278.1 105 148.04 78 50.825 61.4 53.2 97.2 183.2 133.6 236.6 99.8 129.47 63 53.626 50.5 54 84.8 150.7 142.7 134.7 74.5 115.13 63.1 60.427 56.3 50.4 73.3 120 80.2 97.5 71 102.88 63.4 58.928 60.6 52.8 68.9 72.5 70 70.8 60.9 138.36 56 58.229 40.5 35.5 60.3 61.9 64.8 51.2 50.9 121.33 44.5 45.930 40.7 34.4 49.8 65.1 47.9 48.8 115 88.421 39.4 40.431 41.3 37.1 39.6 66 43.4 50.9 60.3 85.275 41.8 38.332 40.8 33.3 41.8 71.2 51.1 48.6 46.1 82.286 37.1 39.833 37.9 35.1 41.8 77.1 47.5 60.7 45.7 77.747 32.3 46.234 38.5 39.1 44 100.5 55 52.7 55.2 97.633 34.2 44.835 71.3 126.5 47.7 275.8 100.5 55.5 153.8 124.68 67.1 103.936 79.7 97 85.3 160.3 124.6 48.9 155.2 145.02 71.6 90.237 77.9 56.4 87.7 181.6 85.6 78.3 76.4 163.31 53.3 67.438 65.6 44.3 69.8 114.5 61 75.2 52 135 40.5 55.839 55.2 39.2 55.8 81.6 50.4 60.1 45.7 86.341 43.5 41.140 47.1 32.8 58.5 73.8 69.4 54.4 38.8 65.035 56.4 39.741 47.3 24.2 47.1 61 68 50.7 38.6 71.07 52.9 3342 41.2 22 50.8 56.8 62.2 43.5 43.1 66.22 51.5 3243 32.8 24.1 59 44 55.6 34 51.5 54.823 37.7 35.544 26.1 25.7 52.1 40.7 50.5 30.8 42.4 61.311 38.1 27.645 29.4 23.5 38.7 52.2 50.4 59.3 33.6 64.859 40.7 27.546 42.3 32.2 34.9 97 64.1 77.9 43.2 79.569 56.2 3647 56.4 33.3 48 100.9 94.5 93.5 71.4 118.95 68.3 47.448 45 39.6 61.1 94 123.5 86.8 89.4 151.95 64.4 54.349 52.9 39 67.6 88.3 96.1 64.1 71.8 129.17 50.2 48.250 51.2 32.7 71.4 66.9 68.7 60.6 61.9 80.349 47.3 44.951 40.7 33 60.5 75.4 68.6 66 57.2 64.614 49.2 40.552 31 34.2 47.2 60.5 61.2 52.3 48.1 83.921 52.1 29.653 22.8 29 35.8 46.6 40.4 34.8 41.7 83.101 33.5 24.654 27.8 25.4 32.1 49.5 31.9 37.4 36.6 76.971 25.3 24.455 26.5 32.2 30 56.4 41.5 34.3 37.5 77.595 28.2 25.9
Continua en la siguiente pagina...
APENDICE A. PROGRAMAS UTILIZADOS 68
n AGU ATM CEN LPIN LDO MIR OBL SFE TLA VAL56 30.3 29.2 30.6 62.7 44.5 34.4 35.3 94.895 29.3 3057 32.2 33 34 86.6 40.7 41.4 40.1 94.567 31.2 33.958 38.9 34.7 33.4 99.1 50.1 46.7 40.8 82.36 35 3659 45.1 59.7 36.8 125.9 70 59.2 62.6 90.795 41.1 47.960 56.9 60.7 50.5 188.7 85.7 70.9 79.8 139.47 50.8 53.861 66.8 49.1 67.6 160.5 80.1 80.6 64.9 168.03 54.2 50.362 63.3 42 58.8 108.9 96.7 83.7 52.2 201.4 59 6263 44.7 31.7 62.2 80 79.4 66 48.4 153.39 51.3 49.764 37.2 38 66.8 55.1 56.7 40.2 50.3 85.326 29.2 43.165 35 28.9 54.6 28.6 44.4 33.2 41.1 58.756 32.7 40.966 28.2 23.2 44 30.3 41.5 29.1 35.2 46.057 30.8 33.967 27.8 23.6 47 26 32.7 25.5 34 49.318 29.9 30.568 34.3 25.2 39 29.4 34.3 33.3 43.2 58.203 31.6 38.269 40.3 36.8 35.6 81.7 44.4 59.3 47.5 69.609 35.2 45.670 46.9 58.4 54.7 108.7 54.9 80 57.7 97.267 42.8 50.671 71.9 98.2 63.2 181.1 94.7 108.5 76 106.88 65.2 62.472 72.7 84.4 78.5 167.6 109.1 130.4 72.7 119.21 89.8 51.673 42.4 53.7 87.6 107.1 99.9 81.3 69.1 120.23 73.2 36.174 33.5 33.5 64.6 71.3 86.1 58.4 48 92.057 51.3 29.875 44.3 20 44.2 70.7 59.1 53.2 29.1 78.879 46.5 33.176 38.4 23.6 31.8 72.4 51.4 53.7 26.9 73.942 42.3 3577 26.6 33.6 26.8 83.1 49.3 44.4 36.8 75.259 31.3 37.478 32.2 34.8 32.3 92.6 45.8 43.8 43.2 75.775 37.7 43.479 42.3 60.9 42.8 87.2 61.5 50.1 76.4 92.382 41.2 52.180 55.1 70.9 52.1 110.4 90.1 56.6 81 109.23 52.6 63.881 63.3 80.6 61.5 204.6 108.8 87.4 91.7 184.95 70.3 84.882 85 82.6 85.3 271.2 137.4 116.4 116.1 205.16 83.4 116.383 94.9 78.1 108 215.4 141.1 135.6 120.7 167.17 86.1 95.584 88.4 67.4 92.3 166.7 111.9 113.5 115 158.41 78.5 78.585 96.6 54 87.6 154.7 86.6 16.3 93.9 150.25 85.5 74.886 89.5 44.3 78.5 129 92.7 8.5 72.1 119.41 79.8 79.887 78.9 44.7 88.2 96.8 99.6 67.3 64.5 99.152 82.3 71.288 60.5 45.5 76 79.3 79 58.8 60.7 79.944 80.6 52.389 43.5 37.3 67.8 63.2 63.6 42.5 53.2 71.275 57.6 43.490 37.6 29.2 59.6 48.6 55.3 39.7 37.8 63.707 47.5 40.691 29.9 25.8 46.8 41.6 47.4 72.3 36.7 58.488 46.1 31.892 23.5 32.4 35.3 57.7 44.5 87.3 40.6 64.716 51.7 24.393 20.1 29.8 41.2 78.7 55.5 96.3 47.5 84.234 52.9 30.694 34.1 55.4 42.9 128.6 79.5 162.4 50.8 109.41 76.5 64.595 67.4 86.2 50.7 232 95.4 194.3 65.6 178.62 95.7 89.296 87.9 85.8 72.2 216.1 91.3 218.1 66.3 261.06 76.1 88.597 84.4 68.5 72.9 205.5 89 200.9 74.9 186.9 63.8 76.398 58.6 48.6 87.3 188.1 78.6 128.9 73.7 110.63 67.2 67.599 34 24.8 74.2 126.1 47.4 90.6 48.6 94.601 45.3 51.3100 36.8 37.4 41.2 96.3 53.8 74.8 45.2 119.61 33.7 43.6101 38.9 59.5 31.6 89.3 54.1 60.5 67.5 135.84 36.4 49.4102 55.7 71.3 39 95.4 77.2 68.4 72.3 111.9 43.2 56.9103 63.3 40.3 51.5 104.4 68.6 69 67.5 107.8 49.3 55.8104 60.2 42.2 51.3 110.1 71.7 73.7 80.8 130.73 53.7 71.5105 68.1 62.4 58.5 141.5 88.8 87 99.9 118.7 76.2 87.6106 76.3 104.9 85.6 188.1 128.7 110.3 122.1 109.32 98.6 107.3107 86 83.1 106.7 191.8 117.2 74.8 111.3 109.37 85.2 104.2108 102.2 79.6 94.7 157 117.8 9.6 111.8 122.42 100.8 108.1109 85.9 66.7 122 100.3 111.8 44.9 110.7 137.12 98.8 93.2110 59.6 55.2 115.8 57.4 110 68.7 94.9 90.897 80.1 71111 35.4 41.9 87.2 38 68.5 30.7 66.3 54.773 59.2 54.7112 28.9 42.3 63.8 29.8 39.5 24.4 50.1 45.707 43.2 45.5113 16.1 37.3 49.9 43.2 38.8 35.1 45.5 51.328 33.9 42.9114 17.1 32.7 52.4 29.9 35.9 21.3 45.3 67.022 32.1 36.1115 27.6 27.9 44.4 45.2 42 17.3 40.1 64.216 32.3 33.3116 29.5 22.6 30.2 81.8 43 37.1 37.1 69.535 33.5 40.7117 34.7 36 30.5 106 47.8 73.2 36.1 88.965 44.2 39.1118 62.7 59.8 35.2 219.3 68.7 73.2 53.4 102.53 82.2 50.6119 88.5 84.4 56.7 371.9 106.1 169.5 79.8 217.53 102.5 77.2120 90.8 89.2 83.7 336 105.7 216.8 82.3 218.16 73.8 68.7
Continua en la siguiente pagina...
APENDICE A. PROGRAMAS UTILIZADOS 69
n AGU ATM CEN LPIN LDO MIR OBL SFE TLA VAL121 96.4 58.6 73.3 164.7 83.8 205.1 78.1 155.67 46.9 60.2122 81.1 37.8 48.4 136 67.6 153.1 78.1 121.71 44 66123 49.2 36.4 49.5 54.8 50.2 80.4 78.1 99.712 43.6 41.5
Fuente: elaboracion propia con datos proporcionados por la SEMADET.
Indice de figuras
3.1. Forma tıpica de un semivariograma. . . . . . . . . . . . . . . . . . . . . 21
4.1. Estructura espacial simulada de seis distribuciones gaussianas bivariadas
y marcas de muestreo para implementar el metodo de interpolacion
espacial. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.2. Estructura espacial promedio de las distribuciones gaussianas bivariadas
de la figura 4.1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.3. Estructura espacial de las medianas observadas en las distribuciones
gaussianas de la figura 4.1. . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.4. Estructura espacial de los maximos observados en la malla de las
distribuciones gaussianas (figura 4.1). . . . . . . . . . . . . . . . . . . . 28
4.5. RECM entre la estructura promedio estimada y las superficies simuladas. 29
4.6. RECM que se comete al suponer que la estructura estimada con
los maximos de los datos observados pueda representar las superficies
simuladas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.7. Estructura estimada con los modelos propuestos para el semivariograma,
primer caso. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.8. Estructura estimada con los modelos propuestos para el semivariograma,
segundo caso. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.9. Estructura estimada con los modelos propuestos para el semivariograma,
tercer caso. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
70
INDICE DE FIGURAS 71
5.1. Representaciones graficas de las series de concetracion de ozono
disponibles en las estaciones de la RAMA, SEMADET (Elaboracion
propia con datos proporcionados por la SEMADET). . . . . . . . . . . 40
5.2. Representaciones graficas de las series de concetracion de PM10,
disponibles en las estaciones de la RAMA SEMADET (Elaboracion
propia con datos proporcionados por la SEMADET). . . . . . . . . . . 41
5.3. Probabilidad regional de riesgo ambiental para O3, ene. - abr. (1996 -
2011). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.4. Probabilidad regional de riesgo ambiental para O3, may. - ago. (1996 -
2011). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.5. Probabilidad regional de riesgo ambiental para O3, sep. - dic. (1996 -
2011). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.6. Probabilidad regional de riesgo ambiental para PM10, ene. - abr. (1996
- 2011). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.7. Probabilidad regional de riesgo ambiental para PM10, may. - ago. (1996
- 2011). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.8. Probabilidad regional de riesgo ambiental para PM10, sep. - dic. (1996 -
2011). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.9. Probabilidad regional de riesgo ambiental para O3, primer cuatrimestre,
2012. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.10. Probabilidad regional de riesgo ambiental de O3, segundo cuatrimestre,
2012. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.11. Probabilidad regional de riesgo ambiental para O3, tercer cuatrimestre,
2012. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.12. Probabilidad regional de riesgo ambiental para PM10, primer cuatrimes-
tre 2012. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.13. Probabilidad regional de riesgo ambiental, PM10, segundo cuatrimestre
2012. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.14. Probabilidad regional de riesgo ambiental, PM10, tercer cuatrimestre 2012. 50
INDICE DE FIGURAS 72
5.15. Probabilidad regional de riesgo ambiental, O3, primer cuatrimestre de
2013. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.16. Probabilidad regional de riesgo ambiental, O3, primer cuatrimestre de
2013. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.17. Probabilidad regional de riesgo ambiental, O3, segundo cuatrimestre de
2013. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.18. Probabilidad regional de riesgo ambiental, PM10, meses de enero,
febrero, marzo y mayo de 2013. . . . . . . . . . . . . . . . . . . . . . . 52
5.19. Probabilidad regional de riesgo ambiental, PM10, meses de julio, agosto,
noviembre y diciembre de 2013. . . . . . . . . . . . . . . . . . . . . . . 53
Indice de tablas
4.1. RECM promedio por modelo para el semivariograma estimado. . . . . 34
4.2. RECM promedio por modelo y estructura espacial estimada. . . . . . 34
4.3. Porcentaje de eficiencia en terminos de la menor RECM en el ajuste
espacial Kriging y en el semivariograma. . . . . . . . . . . . . . . . . . 35
5.1. Caracterısticas geograficas de las estaciones de la RAMA, ZMG. . . . . 39
A.1. Concentraciones de ozono registrados en la RAMA en donde se tiene
una lectura horarias continuas para cada una de las diez estaciones. . . 62
A.2. Concentraciones de PM10 registrados en la RAMA en donde se tiene una
lectura horarias continuas para cada una de las diez estaciones. . . . . . 67
73
Bibliografıa
[1] Carroll, R. J., Chen, R., George, E. I., Li, T.H., Newton, H.J., Schmiediche, H. y
Wang, N. (1997) Ozone exposure and population density in Harris County, Texas,
JASA, 92, pp. 392–404.
[2] Sahu, S. K. y Mardia, K. V. (2005). A Bayesian Kriged-Kalman model for short-
term forecasting of air pollution levels. J.Royal Statistical Society, Series C, 54,
pp. 223–244.
[3] Najera-Cedillo, M.C.; Marquez-Azua, B.; Sanchez-Gomez, R.; Corona, J.P. (2005)
Los sistemas de informacion geografica como herramienta para observar el
comportamiento del ozono en la Zona Metropolitana de Guadalajara, GEOS,
25(2), pp. 1-9.
[4] Ramırez-Sanchez, H.U.; Andrade-Garcıa, M.D.; Bejaranc, R.; Garcıa Guadalupe,
M.E.; Wallo-Vazquez, A.; Pompa-Toledanoe, A.C.; de la Torre-Villasenor. O.
(2009) The spatial–temporal distribution of the atmospheric polluting agents
during the period 2000–2005 in the Urban Area of Guadalajara, Jalisco, Mexico,
J.H.Materials, 165, pp. 1128–1141.
[5] Sanchez, R.; Sanchez, S.; Sanchez, R.J.; Alcala, J.; Aguirre, G.R. (2015) Analisis
espacial estimando regiones de riesgo por contaminantes que exceden con mas
frecuencia la norma en Guadalajara, Mexico, Revista Iberoamericana de Ciencias,
Vol.2, No. 2, ISSN 2334-2501, disponible en http://www.reibci.org/marzo-15.
html
[6] Baskent, E.Z. y Jordan, G.A. (1991) Spatial wood supply simulation modeling.
The Forestry Chronicle, 67(6), pp. 610-621.
74
BIBLIOGRAFIA 75
[7] Wallerman, J.; Joyce, S.; Vencatasawmy, C.P.; Olsson, H. (2002) Prediction of
forest stem volume using kriging adapted to detected edges, Can.J.For.Res., 32,
pp. 509-518.
[8] Jost, G.; Heuvelink, G.B.M.; Papritz, A. (2005) Analysing the space-time
distribution of soil water storage of a forest ecosystem using spatio-temporal
kriging, Geoderma, 128, pp. 258-273.
[9] Adebayo, Y.R. (1987) Land-use approach to the spatial analysis of the urhan ’heat
island’ in Iba-dan, Nigeria. Weather, 42(9):273-280.
[10] Sanso, B. y Guenni, L. (1999) Venezuelan rainfall data analysed by using a
Bayesian space-time model. Applied Statistics, 48, pp. 345–362.
[11] Garcıa-Cueto, O. R., E. Jauregui-Ostos, E. Toudert, D.; Tejeda-Martınez A.
(2007) Detection of the urban heat island in Mexicali, B. C., Mexico and its
relationship with land use. Atmosfera, 20(2), pp. 111-131.
[12] Sanchez Gomez R., H.H. Calderon Flores, R. Fregoso Vazquez, E. Brito Munoz,
M.L. Rujano Silva y S. Sanchez Dıaz (2010) Analisis y estimacion de datos
perdidos en investigacion aplicada, Editorial Universidad de Guadalajara, pp.
196.
[13] Neuman, S.P.; Jacobson, E.A. (1984) Analysis of non intrinsic spatial variability
by residual kriging with application to regional ground-water levels, J. of Mat.
Geolo. 16(5), pp. 499-521.
[14] Mardia, K. V. (1988) Multi-dimensional multivariate Gaussian Markov random
fields with application to image processing, Journal of Multivariate Analysis, 24,
pp. 265–284.
[15] Carrat, F. and Valleron, A.J. (1992) Epidemiologic Mapping using the “Kriging”
Method: Application to an Influenza-like Epidemic in France, Am. J. Epidemiol.
135(11), pp. 1293-1300.
[16] Knorr-Held, L (2000), Bayesian modelling of inseparable space-time variation in
disease risk, Stat. in Med., 19, pp. 2555–2567.
BIBLIOGRAFIA 76
[17] Brook RD, Rajagopalan S, Pope 3rd CA, Brook JR, Bhatnagar A, Diez-Roux AV
(2010) Particulate matter air pollution and cardiovascular disease: an update to
the scientific statement from the American Heart Association, Circulation, 121,
pp. 2331–2378.
[18] Lark, R.M., Sta↵ord, J.V., Bolam, H.C. (1997), Limitations on the spatial
resolution of yield mapping for combinable crops, J.Agric.Engng Res. 66, pp.
183-193.
[19] Wani, J.A.; Bhat, M.A.; Kirmani, N.A.; Wani, Z.M.; Bhat, S.N. (2013) Mapping
of Soil Micronutrients in Kashmir Agricultural Landscape Using Ordinary
Kriging and Indicator Approach, 41(2), pp. 319-329.
[20] Gamez-Martınez, M.; Montero-Lorenzo, J.M.; Garcıa-Rubio, N. (2000) Kriging
methodology for regional economic analysis: Estimating the housing price in
Albacete, Int.Adv.in Economic Research, 6(3), pp. 438-450.
[21] Yu, Y; Zhang, J,; Yipeng, J.; Pengjie, Z. (2015) Kriging interpolating cosmic
velocity field, American Physical Society, 92(8), pp. 8-15.
[22] Gentile, M.; Courbin, F.; Meylan, G. (2013) Interpolating point spread function
anisotropy, Astronomy & Astrophysics, 549(A1), pp. 1-20.
[23] Krige, D.G. (1951) A statistical approach to some basic mine valuation problems
on the Witwatersrand. Journal of the Chemical, Metallulgical and Minining
Society of South Africa, 52:119-139.
[24] Matheron, G. (1963) Principles of geostatistics, Economic geology, 58(8), pp.
1246-1266.
[25] Matheron, G. (1965) La theorie des variables regionalisees et ses applications,
Masson, Paris.
[26] Matheron, G. (1971) The Theory of Regionalized Variables and Its Applica-
tions.Les Cahiers du Centre de Morphologie Mathematique de Fontainebleau,
5, Fontainebleau: Ecole Nationale Superieure des Mines de Paris.
[27] Kolmogorov, A.N. (1956) Foundations of the Theory of Probability, Chelsea
Publishing Co., New York.
BIBLIOGRAFIA 77
[28] Loeve, M., (1963) Probability Theory I, Springer-Verlag, New York.
[29] Kolmogorov, A.N. & Fomin, S.V. (1970) Introductory Real Analysis, McGraw-Hill
Series in Higher Mathematics, New York.
[30] Rudin, W., (1974) Real and Complex Analysis, McGraw-Hill Series in Higher
Mathematics, New York.
[31] Kallenberg, O. (1997) Foundations of Modern Probability, Springer series in
statistics. Probaility and its applications, Springer-Verlag, New York.
[32] Ostro B. (1984) A search for a threshold in the relationship of air pollution to
mortality: a re-analysis or data on London winters, Environ. Health Perspect.,
58, pp. 397-399.
[33] Pope, C.A., D.V. Bates and M.F. Raizenne, (1995) Health e↵ects of particulate
air pollution: Time for reassessment?, Environ. Health Perspect., 1995a 103, 472-
480.
[34] Pope, C.A., M.J. Thun, M.M. Namboodiri, D.W. Dockery, J.S. Evans, F.E.
Speizer and C.W. Heath, (1995) Particulate air pollution as a predictor of
mortality in a prospective study of U.S. adults, Am. J. Respir. Crit. Care Med.,
1995b 151, 669-674.
[35] Smith, R.L., J.M. Davis, J. Sacks, P. Speckman and P. Styer (2000) Regression
models for air pollution and daily mortality: analysis of data from Birmingham,
Alabama, Envirometrics, 11, 719–743.
[36] Carey, Iain M., Richard W. Atkinson, Andrew J. Kent, Tjeerd van Staa, Derek
G. Cook, and H. Ross Anderson (2013) Mortality Associations with Long-Term
Exposure to Outdoor Air Pollution in a National English Cohort, Am. J. Respir.
Crit. Care Med., 187(11), pp. 1226-1233.
[37] Schikowski, Tamara, Inga C. Mills, H. Ross Anderson, Aaron Cohen, Anna
Hansell, Francine Kau↵mann, Ursula Kramer, Alessandro Marcon, Laura Perez1,
Jordi Sunyer12, Nicole Probst-Hensch and Nino Kunzli (2014) Ambient air
pollution: a cause of COPD?, European Respiratory Journal 43(1) pp. 250-263.
BIBLIOGRAFIA 78
[38] Gobierno del Estado de Jalisco (1997) Programa para el Mejoramiento de la
Calidad del Aire en la ZMG 1997-2001, Secretarıa de Medio Ambiente, Recursos
Naturales y Pesca, Secretarıa de Salud.
[39] SIMAJ/SEMADET (2014) Plan de Respuesta de Emergencias y Contingencias
Atmosfericas de Jalisco (PRECA), Recuperado el 20 de mayo de 2014, en
http://siga.jalisco.gob.mx/aire/PlanCont.html.
[40] Secretarıa de Medio Ambiente para el Desarrollo Sustentable de Jalisco
(2008) Plan de Contingencias Atmosfericas de la Zona Metropolitana de
Guadalajara. http://siga.jalisco.gob.mx/contingencia/PdfDocumentos/
criterios.pdf
[41] Pillsbury H.C., Bright C.C., O’Connor K.J., Irish F.W. (1969) Tar and nicotine
in cigarette smoke. Journal of the Association of O�cial Analytical Chemists.
52(3):458–62.
[42] Godish Thad (2004) Air Quality 4th Edition, Lewis Publishers, ISBN:
156670586X.
[43] National Research Council. (1991) Rethinking the Ozone Problem in Urban
Regional Air Pollution, National Academy Press, Washington, D.C.
[44] Bristlecombe P. (1996), Air Composition and Chemistry, 2nd ed., U.K.,
Cambridge University Press.
[45] Environmental Canada and Health Canada (2000) Priority Substances List
Asessment Report, Respirable Particulate Matter Less Than or Equal to 10
Microns, Canadian Environmental Protection Act, 1999.
[46] Beelen, R. (2008) Long-term e↵ects of tra�c-related air pollution on mortality
in a Dutch cohort (NLCS-AIR Study). Environmental Health Perspectives,
116(2):196-202.
[47] Burgess, T. M.; Webster, R. (1980) Optimal interpolation and isarithmic mapping
of soil properties. I The semi-variogram and punctual Kriging. Journal of Soil
Science, 31 (2):315-331.
BIBLIOGRAFIA 79
[48] Pope, CA III, et al. (2002) Lung cancer, cardiopulmonary mortality, and
long.term exposure to fine particulate air pollution, Journal of the American
Medical Association, 287(9):1132-1141.
[49] Report of a WHO Workshop (2007) Health relevance of particulate mat-
ter from various sources. Copenhagen, WHO Regional O�ce for Europe,
(www.euro.who.int/document/E90672.pdf, accesado el 28 enero 2014).
[50] SEDESOL/CONAPO/INEGI (2007) Secretarıa de Desarrollo Social,
Consejo Nacional de Poblacion, Instituto Nacional de Estadıstica,
Geografıa e Informatica 2005, Delimitacion de las zonas metropoli-
tanas de Mexico 2005. Recuperado el 02 de diciembre de 2014, de
http://www.inegi.org.mx/prod_serv/contenidos/espanol/bvinegi/
productos/geografia/publicaciones/delimex05/DZMM_2005_0.pdf.
[51] Tereshchenko I.E., R. Sanchez Gomez (1996) Acerca de la estructura vertical de la
atmosfera sobre la Zona Metropolitana de Guadalajara, GEOS, Union Geofısica
Mexicana, Boletın Informativo, epoca II, volumen 16 No. 4 Noviembre de 1996,
p.176.
[52] —- (1997) Resultados de los estudios de las inversiones termicas sobre la ciudad
de Guadalajara, Mexico, GEOS, Union Geofısica Mexicana, Boletın Informativo,
17(4), pp. 195-196.
[53] SIMAJ/SEMADET (2014) Sistema de Monitoreo Atmosferico de Jalisco,
Secretarıa de Medio Ambiente y Desarrollo Territorial, Recuperado el 20 de mayo
de 2014, en http://siga.jalisco.gob.mx/aire/Datos.html.
[54] SEMADET (2013) Secretarıa de Medio Ambiente y Desarro-
llo Territorial, Sitio de Sistema de Monitoreo Atmosferico de
Jalisco, Recuperado el 10 de octubre de 2014, en http://
semadet.jalisco.gob.mx/medio-ambiente/calidad-del-aire/
sitio-de-sistema-de-monitoreo-atmosferico-de-jalisco.
[55] Norma Oficial Mexicana NOM-025-SSA1-1993 Salud ambiental criterio para
evaluar la calidad del aire ambiente, con respecto a las partıculas menores de
10 micras (PM10). Valor permisible para la concentracion de partıculas menores
BIBLIOGRAFIA 80
de 10 micras (PM10) en el aire ambiente, como medida de proteccion a la salud
de la poblacion., Secretarıa de Salud.
[56] SSA (Secretarıa de Salud) (2005)MODIFICACION a la Norma Oficial Mexicana
NOM-025-SSA1-1993, Recuperado el 20 de mayo de 2014, http://www.salud.
gob.mx/unidades/cdi/nom/025ssa193.html.
[57] Philipp Plunch (2004) Some Theory for the Analysis of Random Fields,
Universitat Klagenfurt Fakultat fur Wirtschaftswissenschaften und Informatik,
Institut fur Mathematik.
[58] VanMarke, E. (1988) Random Fields, Analysis and Synthesis. The MIT Press,
Cambridge, Massachuettes, London, England.
[59] Cressie, N; Hawkins, D. M. (1980) Robust estimation of the variogram I.
Mathematical Geology, 12:115-125.
[60] R. Thorsten Liebers (1996) What can be done by Bayesian Kriging?, Trata
Mountains, Mathematical Publications, Vol. 7.
[61] Gomez Rubio, V. (2003) RArcInfo: using G.I.S. data with R, DSC 2003 Working
Papers, http://www.ci.tuwien.ac.at/Conferences/DSC-2003/.
[62] The R Development Core Team (2008) R: A Language and Environment for
Statistical Computing, ISBN 3-900051-07-0.
[63] Wakernagel, H. (1995) Multivariate Geostatistics, Springer Verlag, Berlin.
[64] Yin, R.K. (1994). Case Study Research: Design and Methods, Sage Publications,
Thousand Oaks, CA.
Artıculo Publicado
81
Revista Iberoamericana de Ciencias ISSN 2334-2501
ReIbCi – Marzo 2015 – www.reibci.org
Análisis espacial estimando regiones de riesgo por contaminantes que exceden con más frecuencia la
norma en Guadalajara, México
Rubén Sánchez1, Silvia Sánchez2, Rubén Jacob Sánchez1, Jaime Alcalá3, Gilberto Rubén Aguirre3 Departamento de Física1, Departamento de Ciencias Naturales y Exactas2, Instituto de Astronomía y Meteorología3
Universidad de Guadalajara Guadalajara, Jal., México
[email protected], [email protected], [email protected]
Abstract— This paper aims to find areas of environment hazard by high-level concentrations of air pollutants. We applied the spatial kriging interpolation method to study the spatial behavior of the ozone and the particulate matter with aerodynamic diameter less or equal than 10 μm in the Metropolitan Zone of Guadalajara. We used an 18-year (1996-2013) hourly observational record of these pollutants to estimate the concentrations in each grid point of an equally spaced grid. We estimated the conditional probability of exceeding the standard air quality given that the norm is exceeded in one monitoring station. The data analysis gives evidence of well-defined spatial hazard regions in the study area.
Keyword— Ordinary kriging, hazard regions, urban ozone, particulate matter, space-time analysis, Metropolitan Zone of Guadalajara.
Resumen— Este trabajo tiene como objetivo encontrar regiones de riesgo ambiental por concentraciones altas de contaminantes en el aire. Se aplica el método de interpolación espacial kriging para analizar el comportamiento del ozono y las partículas con diámetro aerodinámico menor o igual a 10 μm en la Zona Metropolitana de Guadalajara. Se utilizaron 18 años (1996-2013) de registros horarios de estos contaminantes y con ellos se estimaron las concentraciones en cada punto de una malla igualmente espaciada. Se estimó la probabilidad condicional de exceder la norma, dado que se excede en una de las estaciones de monitoreo. Los datos dan evidencia de regiones de riesgo ambiental bien definidas sobre la zona de estudio.
Palabras claves— Kriging ordinario, regiones de riesgo, ozono urbano, partículas menores a 10 micras, análisis espacio-tiempo, Zona Metropolitana de Guadalajara.
I. INTRODUCCIÓN La contaminación atmosférica en ciudades grandes, representa un problema serio de salud y calidad
de vida a nivel mundial. Al revisar la literatura científica se pueden encontrar trabajos como el de Ostro (1984) quien investiga la relación de valores umbral en concentración de contaminantes con los datos de mortalidad en Londres o bien los resultados que presentan Pope, Bates & Raizenne (1995a), Pope et al. (1995b), Smith, Davis, Sacks, Speckman & Styer (2000) reportando los efectos de concentraciones altas de contaminantes del aire en la salud de la población y trabajos más recientes como el de Carey, Atkinson, Kent, Staa, Cook & Anderson (2013) en los que se establecen relaciones causa – efecto entre concentración de contaminantes del aire y mortalidad, hasta estudios como el de Schikowski et al. (2014) que reportan conclusiones a partir de la información recabada en varios artículos que estudian este tema. Estos trabajos acumulan evidencia suficiente para concientizarse del riesgo al que se somete una población expuesta a niveles altos de contaminantes del aire y han dejado evidencia de que la contaminación atmosférica causa serios problemas de salud.
Se pueden enumerar algunos factores que contribuyen a niveles elevados de contaminación atmosférica en una ciudad: los de tipo antropogénico que van desde el crecimiento acelerado de zonas urbanas, reducción de áreas verdes, parque vehicular en aumento constante y con automotores
Revista Iberoamericana de Ciencias ISSN 2334-2501
66 Vol. 2 No. 2
relativamente viejos, así como instalaciones de parques industriales, en las proximidades de una ciudad, que sustituyen paulatinamente suelo natural por elementos urbanos; y factores naturales que se caracterizan principalmente por condiciones adversas a la dispersión de los contaminantes, que pueden ser geográficos por cerros y montañas alrededor de la ciudad, constituyendo una barrera horizontal o bien, aspectos meteorológicos adversos al flujo vertical de los vientos que conforman una barrera vertical natural a la dispersión de contaminantes, conocida como frontera superior de la capa de inversión atmosférica y fácil de apreciar al observar la ciudad a distancia o desde un punto elevado (figura 1).
Fig. 1. Frontera superior de la capa de inversión atmosférica.
Ante estos escenarios adversos, se han tomado estrategias como el uso de normas internacionales de calidad del aire, la admisión de planes de contingencia aplicables ante distintos niveles de contaminación, el uso de índices e indicadores de contaminación del aire, así como la instalación redes de monitoreo ambiental. Todo con el fin de tener un escrutinio constante de las concentraciones de las especies más dañinas y que afectan a la población, para mantenerla informada ante escenarios adversos. No obstante, el monitoreo informa de concentración de contaminantes en un número limitado de puntos distribuidos en la ciudad; de modo que, si se emite una alarma por niveles altos de contaminación, la población no tiene la información suficiente para tomar estrategias preventivas. Se puede saber que la norma de calidad del aire fue excedida sobre uno o más puntos de monitoreo, pero no hay certeza si los niveles de contaminación se exceden en otras zonas de la ciudad, distantes de los puntos con excedencias.
Partiendo de esto, muchas de las variables ambientales pueden medirse en un número infinito de puntos en una ciudad, desafortunadamente en la práctica esto no es posible. Variables importantes como concentración de contaminantes en el aire, se mide en unos pocos sitios de muestreo, principalmente por el costo que implica la instalación y mantenimiento de equipo avanzado de monitoreo ambiental. De modo que, si se requiere conocer el valor en sitios no muestreados, es necesario estimarlos a partir de las lecturas existentes en los puntos de observación.
Revista Iberoamericana de Ciencias ISSN 2334-2501
Vol. 2 No. 2 67
El propósito de este trabajo es presentar los resultados del uso del método kriging ordinario para obtener una interpolación espacial de la concentración de contaminantes del aire, incorporando una malla más fina distribuida en la ciudad y presentar mapas de calidad del aire en la ciudad, con la posibilidad de identificar regiones de riesgo por niveles altos de contaminación en el aire. Tomando como ejemplo el caso de la Zona Metropolitana de Guadalajara (ZMG), que se caracteriza por presentar elementos naturales adversos a la dispersión de contaminantes y por tener características antropogénicas favorables a los niveles altos de contaminación atmosférica.
A. Características de la zona de estudio La ZMG, está integrada por los municipios de Guadalajara, Tlaquepaque, Tonalá y Zapopan (figura
2) a partir de 2004 se integraron Tlajomulco de Zúñiga, El Salto y posteriormente se adicionaron Juanacatlán e Ixtrahuacán de los Membrillos como municipios exteriores (Delimitaciones de las zonas metropolitanas de México, 2005). Concentra a más del 50% de la población estatal y esto genera agudas presiones sociales, demográficas y económicas que demandan espacios, infraestructura y servicios urbanos para atender las necesidades de una población que, al igual que otras metrópolis de México, ha experimentado un crecimiento acelerado en las últimas décadas. Durante los años setenta se establecieron en Guadalajara numerosas industrias extranjeras entre las que sobresalen la fotografía, la cigarrera, la hulera y de productos químicos, que se agregaron a las industrias locales de producción de alimentos, bebidas y metalurgia.
Fig. 2. Localización de la Zona Metropolitana de Guadalajara.
La ZMG se ubica en el centro del estado de Jalisco, a una latitud de 20º 39’ 54’’N, longitud de 103º 18’ 42’’ W y una altitud promedio de 1,540 metros sobre el nivel medio del mar, se sitúa en la cuenca del Valle del Río Grande de Santiago, en los Valles de Atemajac y la Planicie de Tonalá, entre las zonas montañosas de la Sierra Madre Occidental y el Cinturón Volcánico Transmexicano. Las montañas que circundan la zona son: al noroeste la Sierra de San Esteban, al sureste la Serranía de san Nicolás y los conjuntos montañosos de Cerro escondido-San Martín y El Tapatío - La Reyna, al sur el Cerro del Cuatro-Gachupín-Santa María y al oeste la Sierra de la Primavera (figura 3). Estas sierras constituyen
Revista Iberoamericana de Ciencias ISSN 2334-2501
68 Vol. 2 No. 2
parcialmente una barrera física natural para la circulación del viento, impidiendo el desalojo del aire contaminado fuera de la ZMG. El terreno donde se ubica la ZMG tiene pendientes variables con un promedio de 3% (Programa para mejoramiento la calidad del aire en la ZMG, 1997-2001) y al noreste de la ciudad se tienen alturas bajas (barrancas) de 100 a 200m sobre el nivel de la metrópoli.
Otra desventaja latente son las condiciones atmosféricas desfavorables a la dispersión, tales como clima cálido, combinación de estratificación estable, vientos débiles, provocando con ello mayores niveles en las concentraciones registradas. Recibe una abundante radiación solar debido a su latitud, lo que hace que la atmósfera sea altamente fotorreactiva y en presencia de luz solar los hidrocarburos y los óxidos de nitrógeno reaccionan fácilmente para formar ozono y otros oxidantes. (Programa para mejorar la calidad del aire de la ZMG 1997-2001).
Fig. 3. Orografía de la Zona Metropolitana de Guadalajara.
Tereshchenko y Sánchez (1996) analizaron el comportamiento vertical de la temperatura y del viento en la capa límite de la ZMG, dándole una atención especial a la estratificación de la inversión, ya que debilita fuertemente el intercambio turbulento en la atmósfera y como consecuencia, se reduce el traslado de especies contaminantes desde la superficie terrestre y capas cercana a ella, hasta capas superiores de la atmósfera. En su reporte afirman que la frecuencia de ocurrencia de inversión térmica en la ZMG es superior al 85% de los días, siendo los periodos de enero a junio y noviembre a diciembre cuando se presenta prácticamente todos los días, mientras que para los meses de julio a octubre, su frecuencia llega a ser menor al 50% de los días. Más aún, en la época de invierno (noviembre – febrero) se presentan invasiones de masas de aire frío y seco que penetran por la región norte del país y avanzan hacia la región central, llegando a extenderse hasta la ZMG; esto provoca descensos de temperatura y estratificación de las capas atmosféricas, intensificándose con ello el fenómeno de inversión térmica (Programa para mejoramiento la calidad del aire en la ZMG 1997-2001), que puede ser persistente y durar todo el día.
El espesor de la inversión térmica es típicamente de decenas a algunos cientos de metros, siendo mayor en la época de secas y relacionada con temperaturas de rupturas de cerca de 13ºC para los meses más fríos del año (Programa para el Mejoramiento de la Calidad del Aire en la ZMG, 1997), presentándose escenarios de dos o tres inversiones en un mismo día de modo que, puede romper solamente la inversión más próxima a superficie y los contaminantes quedan atrapados a nivel de superficie (Tereshchenko y Sánchez, 1997).
Revista Iberoamericana de Ciencias ISSN 2334-2501
Vol. 2 No. 2 69
Por tanto, la ZMG reúne las características necesarias en términos de factores antropogénicos y naturales para alcanzar niveles alarmantes de contaminación atmosférica y en consecuencia, se han presentado excedencias a las normas de calidad del aire, siendo el ozono (O3) y las partículas con diámetro menor o igual a 10 micras (PM10) los contaminantes que rebasan con más frecuencia la norma (tabla 1). Destacando por ejemplo el reporte del Programa para el Mejoramiento de la Calidad del Aire en la ZMG (1997) en donde se manifiesta que el O3 rebasó la norma el 60% de los días del año en 1996 y que las PM10 lo rebasaron en un porcentaje mayor. Más aún, estos dos contaminantes excedieron la norma de calidad del aire en 2009 (Cuarto almanaque de datos y tendencias de la calidad del aire en 20 ciudades mexicanas, 2000–2009). De esta forma, la ZMG es un buen ejemplo para obtener mapas de calidad del aire, objetivo de este trabajo, que pueden ser de utilidad para quienes monitorean y administran la contaminación atmosférica.
Tabla I. Valores normados de los contaminantes que exceden con más frecuencia la norma.
Contaminante Exposición aguda Exposición
crónica Norma Concentración Frecuencia
Ozono (O3) 0.11 ppm (1 hora)
216 Pg/m3 Una vez cada
tres años --- NOM-020-SSA1-1993
Partículas con diámetro menor a 10P (PM10)
120 Pg/m3 (en 24 horas)
Una vez al año
50 mg/m3 (media aritmética anual)
NOM-025-SSA1-1993*
* Valor actualizado, Modificación a la NOM-025-SSA1-1993, SSA, 2005 (www.salud.gob.mx/unidades/cdi/nom/025ssa193.html)
II. MATERIALES Y METODOS La Secretaría de Medio Ambiente y Desarrollo Territorial (SEMADET) administra y opera la Red
Automática de Monitoreo Ambiental (RAMA) que inició formalmente en 1993 con ocho estaciones fijas distribuidas en la zona de estudio y se incrementó a diez desde enero de 2013, esta red está distribuida como se muestra en la figura 4 y su georreferenciación se muestra en la tabla 2 (SEMADET, 2013).
En cada una de estas estación se registran y almacenan lecturas horarias de concentración de contaminantes criterio como el ozono (O3 en ppm), óxidos de nitrógeno (NOx, NO y NO2 en ppm), bióxido de azufre (SO2 en ppm), monóxido de carbono (CO en ppm), partículas con diámetro menor a diez micrómetros (PM10 en Pg/m3) y además cuenta con equipo meteorológico que reporta temperatura (ºC), humedad relativa (%), precipitación (mm), velocidad (km/h) y dirección del viento (grados). La SEMADET (2013) reporta lectura de radicación solar (w/m2) en las estaciones Vallarta, Las Pintas y Santa Fe, e índice ultra violeta (UV) en la estación Vallarta, pero estos registros no están disponibles (SIMAJ, 2014).
De acuerdo a la documentación disponible, la SEMADET implementa procesos frecuentes de calibración del equipo instalado en las estaciones, en periodos no mayores a tres meses y se verifican además ceros/span, haciendo ajustes por lo menos una vez cada dos semanas, además un mantenimiento preventivo – correctivo (SEMADET, 2013); asegurando con esto los estándares de confiabilidad y validez de los datos.
Revista Iberoamericana de Ciencias ISSN 2334-2501
70 Vol. 2 No. 2
Tabla II. Estaciones de la Red Automática de Monitoreo Atmosférico (Fuente: SEMADET).
Municipio Estaciones de la RAMA Año de
Instalación Clave Nombre Latitud Longitud Altitud Tipo
Guadalajara
CEN MIR OBL VAL
Centro Miravalle Oblatos Vallarta
20º 40’ 25’’E 20º 36’ 52’’E 20º 42’ 01’’E 20º 40’ 48’’E
-103º 19’ 59’’ N -103º 20’ 36’’ N -103º 17’ 47’’ N -103º 23’ 54’’ N
1582 1622 1608 1640
Urbana Urbana Urbana Urbana
1993 1993 1993 1993
Zapopan AGU ATM
Las Águilas Atemajac
20º 37’ 51’’E 20º 43’ 10’’E
-103º 25’ 00’’ N -103º 21’ 19’’ N
1633 1563
Urbana Urbana
1993 1993
Tonalá LDO Loma Dorada 20º 37’ 45’’E -103º 15’ 50’’ N 1645 Urbana 1993
Tlaquepaque TLA Tlaquepaque 20º 38’ 27’’E -103º 18’ 45’’ N 1622 Urbana 1993
El Salto LPIN Las Pintas 20º 34’ 36’’E -103º 19’ 35’’ N 1543 Semi Urbana 2012
Tlajomulco de Zúñiga SFE Santa Fe 20º 31’ 44’’E -103º 22’ 37’’ N 1541 Urbana 2012
Fig. 4. Estaciones georreferenciadas de la Red Automática de Monitoreo Atmosférico.
De esta forma, los datos disponibles en la RAMA (SIMAJ http://siga.jalisco.gob.mx/aire/Datos.html) permiten examinar el periodo enero/1996 – diciembre/2011 con las ocho estaciones que iniciaron su funcionamiento desde 1993; incorporar al estudio la estación LPIN con los registros de nueve estaciones en el año 2012 y revisar la ZMG con los datos observados en las diez estaciones durante 2013. En donde la base de datos pasó un análisis estadístico de calidad explorando casos de lecturas perdidas y valores
Revista Iberoamericana de Ciencias ISSN 2334-2501
Vol. 2 No. 2 71
negativos, cuidando principalmente el análisis de lecturas extremas o valores muy grandes como puntos atípicos.
A. Interpolación espacial, kriging ordinario El uso de la interpolación espacial en problemas ambientales ha crecido en años recientes y en el caso
específico, el método kriging es una herramienta de interpolación espacial sobre datos dispersos en una superficie, que ha probado ser muy útil en distintos campos de investigación (Burgess y Webster, 1980), en donde se aprovecha principalmente la correlación espacial de una magnitud observada en distintos puntos de una región, mediante el variograma dado por
,2211 nnk ZZZZ OOO ��� �
en donde el valor no observado kZ se obtiene a partir de las n localidades observadas iZ y los pesos iO
Oi se calculan asegurando el mejor estimador lineal insesgado, de modo que 2][ kk ZZE � sea mínimo, sujeto a la restricción 121 ��� nOOO � . Más aún, si R es la matriz n x n dada por
),( ji ZZCovR �
y
)](,),(),([ jkjkjk ZZCovZZCovZZCovc ��� � ,
el problema se reduce a resolver el producto matricial
tk ZcRZ )1(� , (1)
en donde ,,,, 21 nZZZZ � t denota transpuesta, (–1) representa la inversa de la matriz R (Vazquez, Fleury y Walter, 2006) y el vector c corresponde al variograma estimado a partir de la propuesta de Cressie y Hawkins (1980), implementando el mejor modelo, en términos de menor error cuadrado medio y efecto nugget, entre los más comunes para el ajuste del variograma (Sánchez, Calderón, Fregoso, Brito, Rujano y Sánchez, 2010).
Para este estudio se toma una malla de alta resolución sobre la ZMG, considerando puntos igualmente espaciados en el cuadro delimitado por [–103.55, –103.15] grados de longitud y [20.425, 20.825] grados de latitud, ambos con un tamaño de paso de 0.003 grados (equivalente a 335m aproximadamente), por lo que los resultados se muestran en una retícula de 133 por 133 puntos en longitud y latitud. Así, la interpolación kriging ordinario proporciona una estimación horaria de la concentración de contaminantes en 17,689 sitios no muestreados. Estos datos estimados dan la posibilidad de observar el comportamiento espacial del contaminante en la malla de alta resolución y con las estimaciones horarias se localizan regiones que sobrepasan la norma de calidad del aire, identificando condiciones favorables a niveles elevados de concentración de contaminantes, siempre y cuando al menos una de las estaciones presenta concentraciones de O3 o PM10 que rebasan las normas de calidad del aire, es decir, se calcula la probabilidad de exceder la norma dado que se sobrepasa al menos en una de las estaciones de monitoreo ambiental. Así, al revisar por separado los casos en que se localizan regiones de riesgo, se calcula la probabilidad espacial conjunta de excedencias de calidad del aire o probabilidad regional de riesgo ambiental, permitiendo ubicar zonas de riesgo a concentraciones altas de contaminantes del aire en la ZMG, bajo condiciones que favorecen niveles altos de contaminantes.
Revista Iberoamericana de Ciencias ISSN 2334-2501
72 Vol. 2 No. 2
III. RESULTADOS Una observación general del estudio, es que tanto el O3 como las PM10 muestran zonas de riesgo bien
definidas al interior de la ciudad y con valores altos de probabilidad regional de riesgo ambiental, en donde las zonas de riesgo varían en ubicación y tamaño con base al periodo temporal que se analiza, encontrando diferencias inclusive entre los contaminantes analizados.
Revisando por ejemplo en forma mensual, en la figura 5 se muestran las regiones de riesgo estimadas con los datos registrados en los primeros cuatrimestres del periodo 1996 – 2011, destacando una región al sur de la estación Atemajac con probabilidad regional de riesgo ambiental superior a 0.75 en los meses de enero, febrero y marzo.
Fig. 5. Probabilidad regional de riesgo ambiental para O3, primer cuatrimestre del periodo 1996 – 2011.
En la figura 6 se muestran las regiones correspondientes al segundo cuatrimestre del mismo periodo, en donde sobresale la región que corresponde a la colonia Independencia, próxima al estadio Jalisco, entre las estaciones Atemajac, Centro y Oblatos, con niveles altos de ozono en los meses de mayo, julio y agosto; mientras que en el mes de junio se presenta nuevamente la región observada en los meses de enero, febrero y marzo (figura 5) con probabilidad superior a 0.75.
Las regiones de riesgo observadas en cuatrimestre correspondiente a los meses de septiembre, octubre, noviembre y diciembre se presentan en la figura 7, en donde se observan regiones de riesgo con probabilidades menores a 0.5 en toda la ZMG durante los meses de octubre y diciembre, no obstante se advierten regiones de riesgo en la zona que comprende Atemajac, Vallarta, Las Águilas, Miravalle y zona Centro. Destaca además el mes de noviembre, en donde sobresale de nuevo la región detectada en los meses de mayo, julio y agosto (figura 6).
Revista Iberoamericana de Ciencias ISSN 2334-2501
Vol. 2 No. 2 73
Fig. 6. Probabilidad regional de riesgo ambiental para O3, segundo cuatrimestre del periodo 1996 – 2011.
Fig. 7. Probabilidad regional de riesgo ambiental para O3, tercer cuatrimestre del periodo 1996 – 2011.
Por otro lado, en las figuras 8, 9 y 10, se puede observar el comportamiento espacial de las regiones de riesgo para concentraciones de PM10 registradas durante el primer, segundo y tercer cuatrimestre, periodo (1996 – 2011) en las ocho estaciones de la RAMA.
Revista Iberoamericana de Ciencias ISSN 2334-2501
74 Vol. 2 No. 2
En las gráficas sobresale por ejemplo que, en los meses de julio, agosto (figura 9) y septiembre (figura 10), la zona de Loma Dorada presenta valores superiores a 0.6 en probabilidad regional de riesgo ambiental y en octubre (figura 10) se observa una región que se distribuye desde Miravalle hasta Loma Dorada con probabilidad mayor a 0.5.
Además, en los meses de enero hasta junio (figuras 8 y 9) y noviembre, diciembre (figura 10), el área de riesgo se localiza entre Atemajac, Vallarta, Las Águilas, Miravalle y zona Centro, alcanzando incluso la estación de Loma Dorada.
Fig. 8. Probabilidad regional de riesgo ambiental para PM10, primer cuatrimestre del periodo 1996 – 2011.
En una observación general, ambos contaminantes muestran regiones de riesgo ambiental en la zona comprendida entre las estaciones de Atemajac, Vallarta, Las Águilas, Miravalle, zona Centro y Loma Dorada, durante el periodo 1996 – 2011 (de figura 5 a 10), observando probabilidades regionales de riesgo a exceder la norma de calidad del aire superiores a 0.5.
Revista Iberoamericana de Ciencias ISSN 2334-2501
Vol. 2 No. 2 75
Fig. 9. Probabilidad regional de riesgo ambiental para PM10, segundo cuatrimestre del periodo 1996 – 2011.
Fig. 10. Probabilidad regional de riesgo ambiental para PM10, tercer cuatrimestre del periodo 1996 – 2011.
Revista Iberoamericana de Ciencias ISSN 2334-2501
76 Vol. 2 No. 2
A. Revisando los datos registrados en 2012 Incorporando ahora la estación LPIN, de los datos registrados en 2012 se obtienen las gráficas de las
figuras 11 a 16, en donde se pueden observar regiones de riesgo para O3 y PM10. En la gráfica correspondiente al mes de junio (figura 12) se puede observar una región de riesgo a
concentraciones altas de O3 con probabilidad mayor a 0.75, sobre la estación Vallarta y en una zona ubicada al noreste de la estación Centro; mientras que en el mes de septiembre (figura 13), se presentó la región de riesgo con menor probabilidad en la misma localidad. Por otro lado, en la misma figura se puede observar que durante el mes de diciembre, hay una región de riesgo con probabilidad alta en la zona que se localiza entre las estaciones de Las Águilas, Miravalle y Las Pintas; misma que se extiende con menor probabilidad desde la estación Vallarta, hasta cubrir dicha región de mayor riesgo. Además, sobresale que en el mes de marzo no se observan regiones de riesgo extensas para concentraciones de ozono (figura 11).
Fig. 11. Probabilidad regional de riesgo ambiental para O3, primer cuatrimestre de 2012.
Ahora, en las gráficas de las figuras 14 a 16, se pueden observar una región de riesgo perfectamente definida entre las estaciones de Loma Dorada, Tlaquepaque, Miravalle y Las Pintas, durante todo 2012, para las concentraciones que exceden la norma para calidad del aire en las PM10 registradas en la zona de estudio. Sobresale por ejemplo el mes de septiembre (figura 16) con probabilidad mayor que 0.65 de exceder la norma de calidad del aire, mientras que se ven valores menores a 0.6 en los meses de enero, agosto, noviembre y diciembre; y probabilidades menores a 0.2 durante todo el año, en la zona como Oblatos.
Revista Iberoamericana de Ciencias ISSN 2334-2501
Vol. 2 No. 2 77
Fig. 12. Probabilidad regional de riesgo ambiental para O3, segundo cuatrimestre de 2012.
Fig. 13. Probabilidad regional de riesgo ambiental para O3, tercer cuatrimestre de 2012.
Revista Iberoamericana de Ciencias ISSN 2334-2501
78 Vol. 2 No. 2
Fig. 14. Probabilidad regional de riesgo ambiental para PM10, primer cuatrimestre de 2012.
Fig. 15. Probabilidad regional de riesgo ambiental para PM10, segundo cuatrimestre de 2012.
Revista Iberoamericana de Ciencias ISSN 2334-2501
Vol. 2 No. 2 79
Fig. 16. Probabilidad regional de riesgo ambiental para PM10, tercer cuatrimestre de 2012.
Al comparar las regiones observadas en las gráficas de las figuras 11 a 16, destaca fundamentalmente la gran diferencia en el comportamiento espacial del O3 en comparación con las PM10, podría ser evidente en virtud de que los procesos que los generan son muy diferentes, en donde por ejemplo el O3 es un contaminante fotoquímico secundario, cuyos precursores son los óxidos de nitrógeno, los compuestos orgánicos volátiles y la radiación ultra violeta, en tanto que las PM10 son contaminantes primarios que se vierten directamente a la atmósfera por fuentes naturales o antropogénicas. Sin embargo, esto es una simple hipótesis que debe revisarse en estudios posteriores. No obstante, se debe mencionar que las condiciones geográficas y atmosféricas fueron idénticas para ambos contaminantes, lo que sugiere que éstas repercuten en menor medida y la diferencia se pueda atribuir a los procesos individuales que los generan.
Sobresale además la fuerte diferencia en el comportamiento espacial de ambos contaminantes durante el periodo 1996 – 2011 y lo observado en 2012, lo que sugiere la necesidad de estimar la región de riesgo ambiental en forma periódica, inclusive diariamente, para proporcionar una herramienta útil a quienes toman decisiones e informan a la sociedad.
B. Revisando los datos registrados en 2013 Agregando las observaciones de la estación Santa Fe, en las gráficas de las figuras 17 a 21 se
pueden observar las regiones de riesgo ambiental de los registros del 2013, para las concentraciones de O3 (figuras 17 a 19) y PM10 (figuras 20 y 21), en donde sobresale que durante los meses de Septiembre, Noviembre y Diciembre no se presentaron excedencias a la norma de calidad del aire en concentraciones de O3, mientras que durante abril, junio, septiembre y octubre, tampoco se excedió la norma de calidad del aire para las PM10.
Revista Iberoamericana de Ciencias ISSN 2334-2501
80 Vol. 2 No. 2
Fig. 17. Probabilidad regional de riesgo ambiental para O3, primer cuatrimestre de 2013.
Fig. 18. Probabilidad regional de riesgo ambiental para O3, segundo cuatrimestre de 2013.
Revista Iberoamericana de Ciencias ISSN 2334-2501
Vol. 2 No. 2 81
Fig. 19. Probabilidad regional de riesgo ambiental para O3, octubre de 2013.
En las gráficas de las figuras 17 se puede observar que durante enero del 2013 se presentaron los valores de probabilidad más altos del año para la región de riesgo ambiental en concentraciones de O3 (superior a 0.75) en la zona ubicada entre las estaciones de Atemajac, Vallarta, Centro, Las Águilas, Miravalle y extendiéndose hasta Las Pintas con probabilidad de riesgo menor a 0.25, seguido con valores de probabilidad baja (menores a 0.25) en los meses de febrero, marzo y abril del mismo año; además, la zona correspondiente a la estación Santa Fe (Tlajomulco de Zúñiga) también muestra probabilidades de riesgo ambiental y por otro lado, en la figura 18 se puede ver que la estación Vallarta muestra valores de probabilidad mayores a 0.5 para exceder la norma de calidad del aire por O3 en el mes de julio. Destacando que en el tercer cuatrimestre no se excedió la norma de calidad del aire por O3 en los meses de septiembre, noviembre y diciembre (figura 19), en tanto que durante octubre la probabilidad de exceder la norma supera el 0.4.
Por otro lado, en las gráficas de las figuras 19 y 20, se pueden observar las regiones de riesgo ambiental para concentraciones de PM10, destacando por ejemplo que durante los meses de enero, febrero, marzo y mayo, se observan comportamientos similares al de los registros del año 2012 (figuras 14, 15 y 16), concentrándose sobre la zona correspondiente a la estación de las Pintas, destacando el mes de marzo con probabilidad de riesgo ambiental superior a 0.75 bajo condiciones que favorecen niveles altos de concentración de contaminantes en el aire. Además, se puede observar que la región de riesgo se extiende hacia la zona Centro de la ZMG durante los meses de mayo y diciembre, abarcando la estación de Miravalle, al sur suroeste de la ciudad, y cubriendo la región comprendida entre las estaciones de Oblatos, Centro, Tlaquepaque y Loma Dorada, en la parte sur sureste de la ciudad; en tanto que, durante los meses de julio y agosto la región de riesgo se concentra sobre la estación de Santa Fe, en el área de Tlajomulco de Zúñiga.
Revista Iberoamericana de Ciencias ISSN 2334-2501
82 Vol. 2 No. 2
Fig. 20. Probabilidad regional de riesgo ambiental para PM10, meses de enero, febrero, marzo, mayo de 2013.
Fig. 21. Probabilidad regional de riesgo ambiental para PM10, meses de julio, agosto, noviembre, diciembre de 2013.
Revista Iberoamericana de Ciencias ISSN 2334-2501
Vol. 2 No. 2 83
Destaca nuevamente una marcada diferencia en el comportamiento espacial de los datos registrados durante el periodo 1996 – 2011 y lo correspondiente a 2013, sobresaliéndo cierta similitud en el comportamiento espacial de los registos de 2012 y 2013.
IV. DISCUSIÓN DE RESULTADOS Y CONCLUSIONES En este estudio se detectan regiones de riesgo ambiental por niveles altos en la concentración de los
contaminantes (O3 y PM10) que exceden con más frecuencia la norma de calidad del aire en la ZMG. El riesgo potencial en el que está expuesta la población por niveles altos de contaminantes del aire
que respira, no ha tenido la debida atención en ciudades grandes como la ZMG; más aún, este estudio muestra que las regiones de riesgo ambiental sobrepasan el entorno próximo a las estaciones de monitoreo, detectando zonas que cubren incluso un gran porcentaje de la ciudad.
Se aplicó el método de interpolación espacial kriging, encontrando zonas de riesgo bien definidas, que exhiben una fuerte variación mensual en ambos contaminantes y entre los contaminantes analizados. Además, no se observa una constante en el comportamiento espacial de los contaminantes, por lo que se ve la necesidad de implementar una metodología que genere pronósticos para regiones de riesgo ambiental, lo que sugiere una estimación en tiempo real para mantener protegida a la población ante niveles de concentración de contaminantes que sobrepasan las normas de calidad del aire.
Se encontró que la región centro de la ZMG presenta valores altos de riesgo a concentraciones elevadas de PM10 en el periodo 01/01/1996 – 31/12/2011 y que en los años 2012 – 2013 la región de riesgo se ubica en la parte sur de la ZMG. Sobresaliendo que en 2013 la estación de Santa Fe muestra valores mayores a cero en términos de riesgo ambiental, lo que hace suponer que las condiciones atmosféricas (como dirección, intensidad del viento e inversión térmica) pueden favorecer el traslado de los contaminantes a dicha zona, ésta posibilidad apertura nuevas líneas de estudio.
En el caso del ozono, se detectaron regiones bien definidas en el periodo 01/01/1996 – 31/12/2011, sin embargo el mismo análisis para 2012 y 2013 muestra un comportamiento diferente, es decir, se refuerza la alta variabilidad espacio – temporal en las regiones de riesgo ambiental de la zona.
No hay evidencia para creer que las condiciones atmosféricas y geográficas de la zona sean contundentes para las regiones de riesgo ambiental. Los datos hacen suponer que dichas regiones de riesgo dependen más de los procesos químicos que incrementan la concentración de cada uno de los contaminantes atmosféricos.
RECONOCIMIENTOS Los autores quieren expresar su reconocimiento al apoyo brindado por el personal de la Secretaría del
Medio Ambiente y Desarrollo Territorial cuyas bases de datos son el sustento del presente trabajo.
REFERENCIAS [1] D.E. Abbey, N. Nishino, W.F. McDonnell, R.J. Burchette, S.F. Knutsen, W. Lawrence Beeson, J.X. Yang,
J. Ame, "Long-term inhalable particles and other air pollutants related to mortality in nonsmokers," Respir. Crit. Care Med. 1999, 159(2), pp. 373-82.
[2] CONAPO (2014) Consejo Nacional de la Población, "La distribución territorial de la población en México". Recuperado el 07 de noviembre de 2014, de http//www.conapo.gob.mx/.
[3] N. Cressie, D.M. Hawkins (1980) "Robust Estimation of the Variogram: I", Mathematical Geology, Vol. 12, No. 2, pp. 115-125.
Revista Iberoamericana de Ciencias ISSN 2334-2501
84 Vol. 2 No. 2
[4] GEJ/SEMARNAP/SS (1997) Gobierno del Estado de Jalisco, Secretaría del Medio Ambiente, Recursos Naturales y Pesca, Secretaría Salud, “Programa para mejoramiento la calidad del aire en la Zona Metropoplítana de Guadalajara 1997-2001,".
[5] Iain M. Carey, Richard W. Atkinson, Andrew J. Kent, Tjeerd van Staa, Derek G. Cook, and H. Ross Anderson (2013) "Mortality Associations with Long-Term Exposure to Outdoor Air Pollution in a National English Cohort," Am. J. Respir. Crit. Care Med., 187(11), pp. 1226-1233.
[6] E. Jauregui, L. Godinez, F. Cruz (1992) "Aspects of the island in Guadalajara, Mexico," Atmospheric Environment, 26B(3), pp. 391-396.
[7] Leticia Hernández-Cadena, Albino Barraza-Villarreal, Matiana Ramírez-Aguilar, Hortensia Moreno Macías, Paul Miller, Luz Carbajal, Isabelle Romieu (2007) "Morbilidad infantil por causas respiratorias y su relación con la contaminación atmosférica en Ciudad Juárez, Chihuahua, México," Salud pública de México, 49(1), pp. 27-36.
[8] Murray M. Finkelstein, Michael Jerrett and Malcolm R. Sears (2004) "Traffic Air Pollution and Mortality Rate Advancement Periods," Am. J. Epidemiol., 160(2) 173-177.
[9] M. C. Nájera Cedillo (2005) "Análisis de Ozono de Troposfera baja registrado en la Zona Metropolitana de Guadalajara", Tesis de Maestría, Universidad de Guadalajara.
[10] B. Ostro, "A search for a threshold in the relationship of air pollution to mortality: a re-analysis or data on London winters," Environ. Health Perspect., 1984, 58, pp. 397-399.
[11] C.A. Pope, D.V. Bates and M.F. Raizenne, "Health effects of particulate air pollution: Time for reassessment?," Environ. Health Perspect., 1995a 103, 472-480.
[12] C.A. Pope, M.J. Thun, M.M. Namboodiri, D.W. Dockery, J.S. Evans, F.E. Speizer and C.W. Heath, "Particulate air pollution as a predictor of mortality in a prospective study of U.S. adults," Am. J. Respir. Crit. Care Med., 1995b 151, 669-674.
[13] R. Sánchez Gómez, H.H. Calderón Flores, R. Fregoso Vázquez, E. Brito Muñoz, M.L. Rujano Silva y S. Sánchez Díaz (2010) "Análisis y estimación de datos perdidios en investigación aplicada", Editorial Universidad de Guadalajara, pp. 196.
[14] C. Sarrat, A. Lemonsu, V. Masson, D. Guedalia (2006) "Impact of urban heat island on regional atmospheric pollution." Atmos. Environment, Elsevier, 40, pp. 1743-1758.
[15] SEDESOL/CONAPO/INEGI (2007) Secretaría de Desarrollo Social, Consejo Nacional de Población, Instituto Nacional de Estadística, Geografía e Informática 2005, "Delimitación de las zonas metropolitanas de México 2005". Recuperado el 02 de diciembre de 2014, de http://www.inegi.org.mx/prod_serv/contenidos/espanol/bvinegi/productos/geografia/publicaciones/delimex05/DZMM_2005_0.pdf.
[16] SEMADET (2013) Secretaría de Medio Ambiente y Desarrollo Territorial, "Sitio de Sistema de Monitoreo Atmosférico de Jalisco", Recuperado el 10 de octubre de 2014, en http://semadet.jalisco.gob.mx/medio-ambiente/calidad-del-aire/sitio-de-sistema-de-monitoreo-atmosferico-de-jalisco.
[17] SIMAJ/SEMADET (2014) Sistema de Monitoreo Atmosférico de Jalisco, Secretaría de Medio Ambiente y Desarrollo Territorial, Recuperado el 20 de mayo de 2014, en http://siga.jalisco.gob.mx/aire/Datos.html.
[18] R.L. Smith, J.M. Davis, J. Sacks, P. Speckman and P. Styer (2000) "Regression models for air pollution and daily mortality: analysis of data from Birmingham, Alabama," Envirometrics, 11, 719–743.
[19] SSA(2005) Secretaría de Salud, "MODIFICACION a la Norma Oficial Mexicana NOM-025-SSA1-1993", Recuperado el 20 de mayo de 2014, en http://www.salud.gob.mx/unidades/cdi/nom/025ssa193.html.
[20] Tamara Schikowski, Inga C. Mills, H. Ross Anderson, Aaron Cohen, Anna Hansell, Francine Kauffmann, Ursula Krämer, Alessandro Marcon, Laura Perez1, Jordi Sunyer12, Nicole Probst-Hensch and Nino Künzli (2014) "Ambient air pollution: a cause of COPD?," European Respiratory Journal 43(1) pp. 250-263.
[21] I.E. Tereshchenko, R. Sánchez Gómez (1996) "Acerca de la estructura vertical de la atmósfera sobre la Zona Metropolitana de Guadalajara," GEOS, Unión Geofísica Mexicana, Boletín Informativo, época II, volumen 16 No. 4 Noviembre de 1996, p.176.
Revista Iberoamericana de Ciencias ISSN 2334-2501
Vol. 2 No. 2 85
[22] --------------- (1997) "Resultados de los estudios de las inversiones térmicas sobre la ciudad de Guadalajara, Mexico," GEOS, Unión Geofísica Mexicana, Boletín Informativo, 17(4), pp. 195-196.
[23] Thad Godish (2004) "Air Quality," 4th Edition. Lewis Publishers.